論文の概要: WeaveEarth: Structured Evidence Construction and Reasoning for Training-Free UHR Remote Sensing Understanding
- arxiv url: http://arxiv.org/abs/2607.10120v1
- Date: Sat, 11 Jul 2026 04:56:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.306782
- Title: WeaveEarth: Structured Evidence Construction and Reasoning for Training-Free UHR Remote Sensing Understanding
- Title（参考訳）: WeaveEarth: トレーニング不要なUHRリモートセンシング理解のための構造化されたエビデンス構築と推論
- Abstract要約: 我々は,グローバルな文脈制約の下での構造化された証拠構築と推論の問題として,UHR理解を再構築するWeaveEarthを提案する。
WeaveEarthは、複数のUHRリモートセンシングベンチマークと複数の凍結VLMバックボーンで、強いベースラインと既存のUHRメソッドを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 10.722577340973707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ultra-High-Resolution (UHR) remote sensing image understanding requires Vision-Language Models (VLMs) to capture both the global scene layout and sparse yet task-critical local details under limited computational budgets. Existing methods mainly follow two paradigms. One is passive perception, which relies on resolution expansion or token compression and may therefore discard fine-grained details. The other is active perception, which depends on multi-round zooming and search, but suffers from high latency, contextual fragmentation, and error accumulation. We argue that a more effective path toward UHR understanding lies not in accessing more, but in organizing better. To this end, we propose WeaveEarth, a training-free framework that reformulates UHR understanding as a problem of structured evidence construction and reasoning under global context constraints. Specifically, WeaveEarth first employs Global-Aware Evidence Construction to select a compact, low-redundancy, and spatially complementary Minimal Support Evidence Set. It then introduces Structured Evidence Reasoning, which weaves local evidence, spatial metadata, and relative topology into a unified reasoning interface, thereby enhancing the VLM's ability to perform global-local joint reasoning. Extensive experiments show that WeaveEarth consistently outperforms strong baselines and existing UHR methods across multiple UHR remote sensing benchmarks and multiple frozen VLM backbones. Code is available at https://github.com/XianZhi-Ma/WeaveEarth.
- Abstract（参考訳）: UHR(Ultra-High-Resolution)リモートセンシング画像の理解には、VLM(Vision-Language Models)が必要とされる。
既存の手法は主に2つのパラダイムに従う。
一つは受動的知覚であり、分解能拡張やトークン圧縮に依存しており、従って細かな詳細を破棄することができる。
もうひとつはアクティブな知覚で、複数ラウンドのズームと検索に依存するが、レイテンシ、コンテキストの断片化、エラーの蓄積に悩まされている。
より効果的なUHR理解への道は、より多くのアクセスではなく、よりよい組織化にある、と我々は主張する。
この目的のために,グローバルな文脈制約下での構造化されたエビデンス構築と推論の問題として,UHR理解を再構築するトレーニングフリーフレームワークであるWeaveEarthを提案する。
具体的には、WeaveEarthはまずGlobal-Aware Evidence Constructionを使用して、コンパクトで低冗長で空間的に補完的なMinimmal Support Evidence Setを選択する。
次に、局所的な証拠、空間的メタデータ、相対的トポロジーを統一された推論インターフェースに織り込み、グローバルな局所的な共同推論を行うVLMの能力を高める構造的エビデンス推論を導入する。
WeaveEarthは、複数のUHRリモートセンシングベンチマークと複数の凍結VLMバックボーンで、強いベースラインと既存のUHRメソッドを一貫して上回っている。
コードはhttps://github.com/XianZhi-Ma/WeaveEarth.comで入手できる。
関連論文リスト
- Beyond Zooming: Learning Multi-Tool Visual Reasoning for Ultra-High-Resolution Remote Sensing [24.62771308673739]
広帯域衛星画像から構築した大規模マルチツールビジュアル推論データセットであるGeoMTVRを紹介する。
我々はGeoMTVR上のSFTとRLアルゴリズムを組み合わせることで、UHR RSのためのマルチツール視覚推論MLLMであるGeoLensを開発した。
実験の結果、GeoLensは直接推論やシングルツールズームインベースラインよりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-07-28T17:09:16Z) - GeoVista: Visually Grounded Active Perception for Ultra-High-Resolution Remote Sensing Understanding [13.76788623862368]
超高解像度(UHR)リモートセンシング画像の解釈には、大規模なシーンにわたってスパースで小さな視覚的証拠を探すモデルが必要である。
既存の視覚言語モデルは、ズームとトリミングツールを使用して地域を検査することができるが、ほとんどの探索戦略は、1ショットの焦点または1つのシーケンシャルな軌跡のいずれかに従う。
提案するGeoVistaは,UHRリモートセンシング解釈のための計画駆動型能動認識フレームワークである。
論文 参考訳（メタデータ） (2026-05-14T07:15:46Z) - TerraScope: Pixel-Grounded Visual Reasoning for Earth Observation [71.39112735716172]
TerraScopeは、ピクセル地上の地理空間的推論を提供する統合視覚言語モデルである。
また,画素接地による空間的推論のための最初のベンチマークであるTerraScope-Benchを提案する。
論文 参考訳（メタデータ） (2026-03-19T15:38:02Z) - TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。
我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。
トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。
埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
論文 参考訳（メタデータ） (2026-03-03T13:28:07Z) - Text Before Vision: Staged Knowledge Injection Matters for Agentic RLVR in Ultra-High-Resolution Remote Sensing Understanding [78.26501371437013]
超高解像度(UHR)リモートセンシング(RS)のためのマルチモーダル推論は通常、視覚的エビデンス取得によってボトルネックとなる。
標準的な強化学習は、ドメインの事前構造がなくても、これらの広大な視覚空間をナビゲートするのに苦労している。
本研究では,(1)スケーラブルで知識グラフで検証された地球科学のテキストQAで冷間開始して推論構造を挿入し,(2)SFT中に同じ硬いUHR画像テキストの例で事前ウォーミングを行い,その後のツールベースのRLを安定化・増幅する,段階的な知識注入レシピを提案する。
論文 参考訳（メタデータ） (2026-02-15T16:40:33Z) - Spatial-VLN: Zero-Shot Vision-and-Language Navigation With Explicit Spatial Perception and Exploration [16.651645602449577]
大規模言語モデル(LLM)を利用した視覚・言語ナビゲーション(VLN)エージェントは、一般化が優れているが、空間認識が不十分である。
本稿では,これらの課題を克服するための知覚誘導探索フレームワークであるSpatial-VLNを提案する。
論文 参考訳（メタデータ） (2026-01-19T06:53:02Z) - Understanding Space Is Rocket Science -- Only Top Reasoning Models Can Solve Spatial Understanding Tasks [9.23437069873238]
本稿では,空間的関係理解のためのオープンソースのコントラスト付きVLMベンチマークを提案する。
RocketScienceは完全に新しい現実世界の画像テキストペアで構成されている。
その結果,オープンソースおよびフロンティア商用VLMにおける空間的関係理解の欠如が示唆された。
論文 参考訳（メタデータ） (2025-09-02T10:32:58Z) - Omni-R1: Reinforcement Learning for Omnimodal Reasoning via Two-System Collaboration [50.38965090742822]
長いきめの細かいビデオオーディオ推論ときめ細かいピクセルは、全方位モデルに矛盾する要求を課す。
我々は,このトレードオフを2システムアーキテクチャで解決する:グローバル推論システムは,情報を選択し,空間的コストでタスクを書き換える一方,詳細理解システムはピクセルレベルのグラウンド化を行う。
最適ホライゾンの選択と改革は曖昧で監督が難しいため、強化学習(RL)問題として定式化し、グループ相対政策に基づくエンドツーエンドのRLフレームワークであるOmni-R1を提示する。
論文 参考訳（メタデータ） (2025-05-26T17:34:06Z) - SSR: Enhancing Depth Perception in Vision-Language Models via Rationale-Guided Spatial Reasoning [48.64616652818972]
本稿では,生深度データを構造化・解釈可能なテキスト論理に変換する新しいフレームワークを提案する。
これらのテキストの有理は、空間的推論能力を著しく向上させる意味のある中間表現として機能する。
中間空間推論アノテーションを付加した100万スケールの視覚言語推論データセットであるSSR-CoTを提案する。
論文 参考訳（メタデータ） (2025-05-18T14:40:16Z) - SegEarth-R1: Geospatial Pixel Reasoning via Large Language Model [61.97017867656831]
暗黙的な問合せと推論を可能にし,対象領域のマスクを生成する新しいタスク,すなわち地理空間的画素推論を導入する。
我々は,5,434枚の手動アノテート画像マスクと3万枚以上の暗黙的な質問応答ペアからなる,EarthReasonという,最初の大規模ベンチマークデータセットを構築し,リリースする。
SegEarth-R1は、推論タスクと参照セグメンテーションタスクの両方で最先端のパフォーマンスを実現し、従来のLCMベースのセグメンテーション手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2025-04-13T16:36:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。