論文の概要: Gradient-Guided Decoupled Adaptation for Geospatial Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.32737v1
• Date: Sat, 26 Sep 2026 15:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:53:07.839207
• Title: Gradient-Guided Decoupled Adaptation for Geospatial Vision-Language Models
• Title（参考訳）: 地空間視覚・言語モデルに対する勾配誘導デカップリング適応
• Abstract要約: マルチタスクGeo-VLM学習のための勾配対応フレームワークであるグラディエントガイドデカップリング適応(G2DA)を提案する。 G2DAは、勾配誘導のクロスモーダルデカップリングを通じて、タスクを視覚と言語中心のグループに分割する。 次に、タスク勾配の類似性に基づいて、モーダリティ固有のカリキュラムを構築し、双方向のリハーサルを使用して、遅延効果を緩和する。
• 参考スコア（独自算出の注目度）: 6.73690088264437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing geospatial vision-language models (Geo-VLMs) typically optimize diverse geospatial tasks through a unified multi-task adaptation paradigm without explicitly accounting for the heterogeneous optimization characteristics. Our empirical observations reveal heterogeneous gradient characteristics across tasks, including vision-language differences, intra-branch gradient relationships, and task interference, which hinder effective multi-task optimization. Motivated by these observations, we propose Gradient-Guided Decoupled Adaptation (G2DA), a gradient-aware optimization framework for multi-task Geo-VLM learning. G2DA first partitions tasks into vision- and language-centric groups through gradient-guided cross-modal decoupling. It then constructs modality-specific curricula based on task gradient similarity and employs bidirectional rehearsal to mitigate the recency effects introduced by sequential optimization. We evaluate G2DA on three Geo-VLM benchmarks using six InternVL3 and Qwen3.5-VL variants, along with GeoChat and GeoLLaVA. Across all 24 benchmark-model combinations, G2DA consistently outperforms representative baselines, improving over the strongest competitor by 3.08, 4.30, and 2.81 percentage points on UrBench-MCQ, XLRS-Bench-Lite, and VRS-Bench-VQA, respectively. These results demonstrate the effectiveness of gradient-guided task organization for Geo-VLM adaptation.
• Abstract（参考訳）: 既存の地理空間的視覚言語モデル(Geo-VLM)は、通常、異種最適化特性を明示的に考慮することなく、統一されたマルチタスク適応パラダイムを通じて多様な地理空間的タスクを最適化する。 我々の経験的観察では、視覚言語の違い、ブランチ内勾配関係、タスク干渉など、タスク間の不均一な勾配特性が示され、効果的マルチタスク最適化を妨げている。 これらの観測により,多タスクGeo-VLM学習のための勾配対応最適化フレームワークであるグラディエントガイドデカップリング適応(G2DA)を提案する。 G2DAはまず、勾配誘導のクロスモーダルデカップリングを通じて、タスクを視覚と言語中心のグループに分割する。 その後、タスク勾配の類似性に基づいてモーダリティ固有のカリキュラムを構築し、逐次最適化によって引き起こされる電流効果を軽減するために双方向リハーサルを使用する。 G2DAをGeoChatとGeoLLaVAとともに6つのInternVL3とQwen3.5-VLの変種を用いて3つのGeo-VLMベンチマークで評価した。 24種類のベンチマークモデルの組み合わせで、G2DAは代表ベースラインを一貫して上回り、UrBench-MCQ、XLRS-Bench-Lite、VRS-Bench-VQAで最強の3.08、4.30、および2.81ポイントを上回った。 これらの結果から,Geo-VLM適応のための勾配誘導型タスク構成の有効性が示された。

関連論文リスト

• GLASS: Graph and Vision-Language Assisted Semantic Shape Correspondence [16.503835991826367]
  GLASSは、幾何学的スペクトル分析と、視覚言語基礎モデルからのリッチなセマンティック先行情報を統合することでギャップを埋めるフレームワークである。 i) 強力なビジョン基盤モデルから堅牢な多視点視覚特徴抽出を可能にするビュー一貫性戦略。 クラス間ベンチマークSMALと非等尺ベンチマークSMALとTOPKIDSの平均測地誤差は0.21、4.5、および5.6であり、それぞれ0.49、6.0、8.9のURSSMベースラインからの誤差を57%、25%、および37%削減している。
  論文  参考訳（メタデータ） (2026-03-08T14:33:50Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• CogniEdit: Dense Gradient Flow Optimization for Fine-Grained Image Editing [88.9067184995168]
  マルチモーダル推論と高密度報酬最適化を組み合わせた統合フレームワークCogniEditを提案する。 本手法は,視覚的品質と編集可能性の保存に追従する微粒な命令のバランスをとることによって,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-15T12:36:50Z)
• OMEGA: Optimized Multimodal Position Encoding Index Derivation with Global Adaptive Scaling for Vision-Language Models [4.809606597614951]
  VLM(Vision-Language Models)は、様々なタスクにおいて強力なパフォーマンスを示す。 位置符号化は、テキスト情報の逐次構造と視覚情報の構造の両方をモデル化する上で重要な役割を果たす。 そこで我々は,MSPE (Modality-Specific Position Scaling) を用いて位置指標を割り当てる新しい位置符号化フレームワーク OMEGA を提案する。
  論文  参考訳（メタデータ） (2025-11-02T06:19:44Z)
• GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
  CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。 GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。 従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
  論文  参考訳（メタデータ） (2025-09-09T07:14:31Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• Is ChatGPT a game changer for geocoding -- a benchmark for geocoding address parsing techniques [3.759936323189418]
  実運用におけるジオコーディングシステムの実際の入力ログから抽出した人間の入力パターンに基づいて合成された低品質アドレス記述のベンチマークデータセットを提案する。 このデータセットには21の異なる入力エラーとバリエーションがあり、アメリカ50州とワシントンD.C.の通りから一意に選択された239,000以上のアドレス記録が含まれている。 アドレス成分抽出におけるGPT-3モデルの性能を,トランスフォーマーベースモデルとLSTMベースモデルとを比較して評価する。
  論文  参考訳（メタデータ） (2023-10-22T17:03:56Z)

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。