論文の概要: The Earth in One Gaze: Training-Free Active Focus for UHR Remote Sensing Understanding

• arxiv url: http://arxiv.org/abs/2609.31747v1
• Date: Wed, 23 Sep 2026 07:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:10:07.073617
• Title: The Earth in One Gaze: Training-Free Active Focus for UHR Remote Sensing Understanding
• Title（参考訳）: UHRリモートセンシング理解のためのトレーニング不要のアクティブフォーカス
• Abstract要約: マルチモーダル大言語モデル(MLLM)は、限られた視覚入力予算内で超高解像度(UHR)リモートセンシング(RS)画像を解釈する際に、シーンコンテキストに対して局所的な詳細をバランスさせなければならない。 GazeEarth(ガゼアース)は,質問誘導型領域選択とフルシーンフェーブ付き観測とを結合した,単純なyet効果のトレーニングフリーフレームワークである。 分析の結果、既存のMLLMは、自力でUHR画像を見る場所を案内でき、選択された証拠から推測できることは、その証拠がどのように提示されるかによって異なることがわかった。
• 参考スコア（独自算出の注目度）: 39.27641770509501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal large language models (MLLMs) must balance local detail against scene context when interpreting ultra-high-resolution (UHR) remote sensing (RS) imagery within a limited visual-input budget. Existing selection-based methods either prune tokens and select patches through relevance scoring, or crop actively through repeated inspection. Neither strategy directly redistributes pixels within a continuous full-scene view: the first retains selected tokens or patches, and the second re-encodes a crop detached from its surroundings. Our pilot study finds that a frozen MLLM already produces useful question-guided spatial requests, yet crop-based inspection of the selected regions does not consistently improve its answers. We therefore formulate UHR understanding as a question of where to spend a fixed pixel budget. Based on this, we introduce GazeEarth, a simple-yet-effective training-free framework that couples question-guided region selection with full-scene foveated observation. The MLLM selects evidence cells from an indexed overview; a deterministic, topology-preserving warp resamples the original image onto a fixed-size canvas, enlarging their shared neighborhood while compressing the periphery; the same frozen model answers from this focused view, using at most two MLLM calls and no external selector or iterative search. Across three UHR remote sensing benchmarks and four frozen backbones, GazeEarth improves benchmark-averaged accuracy by 4.6 to 9.4 percentage points over direct answering and 3.4 to 4.3 over overview answering, outperforming task-trained methods. Our analyses show that existing MLLMs can guide where to look in UHR images on their own, and that what they can infer from the selected evidence depends on how that evidence is presented.
• Abstract（参考訳）: マルチモーダル大言語モデル(MLLM)は、限られた視覚入力予算内で超高解像度(UHR)リモートセンシング(RS)画像を解釈する際に、シーンコンテキストに対して局所的な詳細をバランスさせなければならない。 既存の選択ベースの手法は、関連スコアによるプルーントークンと選択パッチ、または繰り返し検査によるアクティブな収穫のいずれかである。 どちらの戦略も、連続したフルシーンビュー内でピクセルを直接再分割せず、第1は選択したトークンやパッチを保持し、第2は周囲から切り離された作物を再エンコードする。 実験では,凍結したMLLMがすでに有用な質問誘導空間要求を発生していることがわかったが,選択した領域の作物による検査は,その答えを常に改善していない。 したがって、我々はUHRの理解を固定したピクセルの予算をどこで使うべきかという問題として定式化する。 そこで我々はGazeEarthを紹介した。GazeEarthは単純なyet効果のないトレーニングフリーフレームワークで、疑似誘導領域選択とフルシーンの観察とを結合する。 MLLMは、インデクシングされた概要からエビデンス細胞を選択し、決定論的でトポロジを保存するワープは、元の画像を固定サイズのキャンバスに再サンプリングし、周辺を圧縮しながら共有エリアを拡大する。 3つのUHRリモートセンシングベンチマークと4つのフリーズバックボーンで、GazeEarthはベンチマーク平均精度を4.6から9.4ポイント、概要回答3.4から4.3ポイント改善し、タスク訓練された方法を上回っている。 分析の結果、既存のMLLMは、自力でUHR画像を見る場所を案内でき、選択された証拠から推測できることは、どのようにその証拠が提示されるかによって異なることがわかった。

関連論文リスト

• Informative Viewpoint Selection for Episodic-Memory Embodied Question Answering using Omnidirectional Images [6.558761304336893]
  全方位画像を用いたEQA(Embodied Question Answering)の視点選択法を提案する。 提案手法は,等方形観測を立方体図投影による視点ビューに変換し,細調整BLIP-2を用いて質問条件関連性を推定する。 本手法は, 正方形観測による報告結果のうち, 最先端のモデル性能を実現する。
  論文  参考訳（メタデータ） (2026-09-27T06:50:25Z)
• Region-Level Policy Optimization for Fine-grained MLLM Perception [43.40677219802473]
  MLLMの微細な視覚知覚は、解像度を上げることで一般的に改善されるが、付加された視覚トークンは、視覚エンコーディングと言語モデルプリフィルコストを増大させる。 関心領域(RoI)を局所化し,その内容を認識する2つの操作は,解決要件が異なることを示す。 地域レベルの強化学習による提案ネットワークを最適化し,Vision-RL2と呼ぶ。
  論文  参考訳（メタデータ） (2026-09-17T06:10:34Z)
• Evidence-Driven Dynamic Visual Selector for Efficient Long Video Understanding [54.840531495584095]
  本稿では,MLLMの内部的注意証拠をベースとした動的視覚選択フレームワークEviSelectを提案する。 本手法は,高度に圧縮された視覚入力とスパースアテンションを用いて,ターゲットMLLMのマップを効率的に近似する。 EviSelectは既存の方法に比べて優れたパフォーマンスを実現し、選択したビジュアルトークンを約50%削減し、エンドツーエンドのスピードアップを3.9倍に向上させる。
  論文  参考訳（メタデータ） (2026-08-06T09:15:43Z)
• ROVER: Routing Object-Centric Visual Evidence for Grounded Multi-Image Reasoning [8.61070160184202]
  ROVERは、効率的なグローバルな視覚的エビデンスルーティングのための学習可能なプラグインである。 本手法は,MM-GCoT と VideoEspresso で最高の性能を実現する。
  論文  参考訳（メタデータ） (2026-05-27T04:52:42Z)
• GeoEyes: On-Demand Visual Focusing for Evidence-Grounded Understanding of Ultra-High-Resolution Remote Sensing Imagery [69.05066425853326]
  シンキング・ウィズ・イメージ」パラダイムは、マルチモーダルな大規模言語モデル(MLLM)がズームインツールを使って視覚的なシーンを積極的に探索することを可能にする。 これは超高分解能(UHR)リモートセンシングVQAにおいて必須であり、タスク関連キューは疎小である。 筆者らは,(1)冷間開始型SFTデータセット, UHR-CoZ(UHR-CoZ)を多種多様なズームレジームをカバーするトレーニングフレームワークであるGeoEyes,(2)エージェント強化学習手法であるAdaZoom-GRPOを提案する。
  論文  参考訳（メタデータ） (2026-02-15T15:50:55Z)
• VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
  シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。 VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-12T11:39:35Z)
• SegEarth-OV: Towards Training-Free Open-Vocabulary Segmentation for Remote Sensing Images [43.60509230960488]
  リモートセンシングコンテキストにセマンティックセグメンテーションを導入しようと試みる。 低解像度の特徴に対するリモートセンシング画像の感度のため、予測マスクには歪んだターゲット形状と不適合境界が示される。 トレーニング不要なスタイルで深部特徴の空間情報を復元する,シンプルで汎用的なアップサンプラーSimFeatUpを提案する。
  論文  参考訳（メタデータ） (2024-10-02T17:25:31Z)
• Detector-Free Weakly Supervised Grounding by Separation [76.65699170882036]
  Wakly Supervised phrase-Grounding (WSG)は、画像中の任意のテキストフレーズをローカライズするためにデータを使用するタスクを扱う。 本稿では,事前学習した検出器を使わずにWSGを解くための検出器フリーWSG(DF-WSG)を提案する。 我々は、以前のdf-wsg sotaと比較して最大8.5%の精度向上を示す。
  論文  参考訳（メタデータ） (2021-04-20T08:27:31Z)

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。