論文の概要: GeoBridge: Decoupled Semantic Conditioning for Generative Image Geolocalization
- arxiv url: http://arxiv.org/abs/2608.11838v1
- Date: Wed, 12 Aug 2026 09:21:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.531123
- Title: GeoBridge: Decoupled Semantic Conditioning for Generative Image Geolocalization
- Title（参考訳）: GeoBridge: 画像ジオローカライゼーションのための分離されたセマンティックコンディショニング
- Abstract要約: GeoBridgeは、セマンティックMLLMを、球面上の座標を生成する凍ったフローマッチングヘッドに接続するロール分離型条件付け機構である。
IM2GPS3Kでは、GeoBridgeは25/200/750kmの閾値で38.67/52.89/70.37に達する。
- 参考スコア（独自算出の注目度）: 17.266391813612746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal large language models (MLLMs) have advanced image geolocalization mainly by improving how they reason about geographic cues. How that reasoning isdecoded into coordinates, however, has lagged behind. Predicting a place name for a geocoding API is discrete and lossy: it ignores image evidence and collapses multi-granular semantics into a coarse lookup. We argue that the bottleneck has shifted from what a model reasons to how that reasoning is represented for a continuous, geometry-aware decoder. We present GeoBridge, a role-decoupled conditioning mechanism that connects a frozen semantic MLLM to a frozen Riemannian flow-matching head that generates coordinates on the sphere. The central obstacle is arole conflict: supervising the condition with discrete semantic labels biases its representation toward class-discriminative geometry, at odds with the smooth manifold the generative head requires. GeoBridge keeps the semantic supervision decoupled from the condition interface: a separate projection forms the continuous condition the frozen head expects, injecting geographic priors without disturbing the spherical decoder. On IM2GPS3K, GeoBridge reaches 38.67/52.89/70.37 at the 25/200/750 km thresholds, improving over a place-name-to-API pipeline and reasoning-augmented direct prediction at these precision-relevant scales. GeoBridge is a decode-side algorithmic contribution, orthogonal and complementary to chain-of-thought reasoning. Code will be made publicly available.
- Abstract（参考訳）: マルチモーダルな大言語モデル (MLLM) は、地理的手がかりの理由をどう改善するかを主眼として、画像のジオローカライズが進んでいる。
しかし、その推論が座標にどのようにデコードされるかは、後れを取っている。
画像のエビデンスを無視し、複数の粒度のセマンティクスを粗いルックアップに分解する。
ボトルネックは、モデル理由から、その推論が連続した幾何学的認識のデコーダとしてどのように表現されるかへと移行した、と私たちは主張する。
本報告では,凍ったセマンティックMLLMを,球面上の座標を生成する冷凍リーマン流整合ヘッドに接続するロール分離型条件付け機構であるGeoBridgeについて述べる。
離散的な意味ラベルを持つ条件を監督することは、生成ヘッドが要求する滑らかな多様体と反対に、その表現をクラス識別幾何学に偏らせる。
分離されたプロジェクションは、凍結したヘッドが期待する連続的な条件を形成し、球面デコーダを乱すことなく、地理的事前を注入する。
IM2GPS3Kでは、GeoBridgeは25/200/750kmの閾値で38.67/52.89/70.37に達する。
GeoBridgeはデコード側のアルゴリズム貢献であり、直交的であり、チェーン・オブ・シークレットの推論を補完するものである。
コードは公開されます。
関連論文リスト
- ReaGeo: Reasoning-Enhanced End-to-End Geocoding with LLMs [8.089023511080248]
本稿では,大規模言語モデルに基づくエンドツーエンドのジオコーディングフレームワークReaGeoを提案する。
この方法は、座標をジオハッシュシーケンスに変換し、座標予測タスクをテキスト生成問題として再構成する。
距離決定に基づく報酬を用いた強化学習を適用し、生成精度を最適化する。
論文 参考訳（メタデータ） (2026-04-23T07:18:21Z) - SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
SpaceEvoは3D空間推論のための自己進化型フレームワークである。
16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。
注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
論文 参考訳（メタデータ） (2026-04-15T17:59:12Z) - From Horizontal to Rotated: Cross-View Object Geo-Localization with Orientation Awareness [3.5982006325887554]
クロスビューオブジェクトジオローカライゼーション(CVOGL)は、地上またはドローンの観点から、クエリオブジェクトの地理的座標を正確に決定することを目的としている。
我々は,マルチスケール認識モジュールと指向性ヘッドを備えた新しいジオローカライズフレームワークOSGeoを紹介する。
このスキームをサポートするために、我々はCVOGL用の正確なRBoxアノテーションを持つ最初のデータセットであるCVOGL-Rを構築し、リリースする。
論文 参考訳（メタデータ） (2026-03-16T05:56:06Z) - GeoSeg: Training-Free Reasoning-Driven Segmentation in Remote Sensing Imagery [12.65874706732698]
推論駆動型リモートセンシングセグメンテーションの監視ボトルネックを回避し,ゼロショットでトレーニング不要なフレームワークであるGeoSegを提案する。
GeoSegは、(i)系統的な接地シフトを補正するためのバイアス対応座標補正、(ii)細粒な空間的手がかりで意味的意図を融合するための二重ルートプロンプト機構を通じて、正確な局所化を伴うMLLM推論を結合する。
実験の結果、GeoSegはすべてのベースラインを一貫して上回り、各コンポーネントの有効性と必要性を検証している。
論文 参考訳（メタデータ） (2026-03-04T12:24:16Z) - GeoFocus: Blending Efficient Global-to-Local Perception for Multimodal Geometry Problem-Solving [55.14836667214487]
GeoFocusは、2つのコアモジュールからなる新しいフレームワークである。
GeoFocusは、主要な特殊モデルよりも4.7%の精度向上を実現している。
多様な視覚条件下でのMATHVERSEの強靭性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:15:01Z) - Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。
特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。
その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-02-05T18:59:32Z) - GeoBridge: A Semantic-Anchored Multi-View Foundation Model Bridging Images and Text for Geo-Localization [36.20562550716618]
クロスビュージオローカライゼーションは、クエリ画像に視覚的に対応するジオタグ付き参照画像を取得することで位置を推測する。
従来の衛星中心のパラダイムは、高解像度または最新の衛星画像が利用できない場合にロバスト性を制限する。
ビュー間の双方向マッチングを行うモデルであるGeoBridgeを提案する。
論文 参考訳（メタデータ） (2025-12-02T12:28:22Z) - GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。
3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。
遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
論文 参考訳（メタデータ） (2025-10-02T16:37:56Z) - LocDiff: Identifying Locations on Earth by Diffusing in the Hilbert Space [20.664043071378273]
LocDiffは、マルチスケールな位置符号化空間において遅延拡散を行う最初の画像ジオローカライズモデルである。
LocDiffは、5つの挑戦的なグローバルな画像ジオローカライゼーションデータセットにおいて、最先端のグリッドベース、検索ベース、拡散ベースラインを上回ります。
論文 参考訳（メタデータ） (2025-03-23T17:15:26Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。
本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。
この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
論文 参考訳（メタデータ） (2023-09-19T10:57:53Z)
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。