論文の概要: RS-OPSD: Reliable Privileged On-Policy-Self-Distillation for Ultra-High-Resolution Remote Sensing VQA

• arxiv url: http://arxiv.org/abs/2609.38072v2
• Date: Wed, 30 Sep 2026 03:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.353384
• Title: RS-OPSD: Reliable Privileged On-Policy-Self-Distillation for Ultra-High-Resolution Remote Sensing VQA
• Title（参考訳）: RS-OPSD:超高分解能リモートセンシングVQAのための高信頼高純度オン・ポリティシルフ蒸留法
• Abstract要約: 本稿では,UHRリモートセンシングVQAのための信頼性の高い自己蒸留フレームワークであるRS-OPSDを紹介する。 質問関連証拠を明示した高品質な特権情報を提供するため,GeoEvidence-6Kを構築した。 RS-OPSDは、XLRS-Bench、MME-RealWorld-RS、RS-VQA上での最先端(SOTA)性能を達成する。 我々の2BモデルであるRS-OPD-Liteは、ほとんどの8Bスケールモデルを超えながら、最も高速に測定された推論速度を達成する。
• 参考スコア（独自算出の注目度）: 40.06466851792687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-high-resolution (UHR) remote sensing visual question answering (VQA) requires models to resolve small visual evidence within extremely large images. Existing approaches typically rely on token pruning, visual search, or tool-augmented reasoning at inference time. We instead investigate whether the benefit of zoom-in visual privilege can be internalized into the model. We introduce RS-OPSD, a reliable privileged on-policy self-distillation (OPSD) framework for UHR remote sensing VQA. To provide high-quality privileged information with explicit question-relevant evidence, we construct GeoEvidence-6K, containing 6,750 VQA samples across seven task categories with evidence-region annotations, and develop Human Feedback-Guided Skill Refinement (HF-SR) for scalable annotation. To address context loss from tight crops and conflicting signals from imperfect teachers, RS-OPSD introduces Context-Preserving Visual Privilege (CPVP) and Correctness-Aligned Distillation (CAD). Without any additional visual search or tool calls at inference time, RS-OPSD achieves state-of-the-art (SOTA) performance on XLRS-Bench, MME-RealWorld-RS, and LRS-VQA, outperforming previous SOTA models of comparable scale by an average of 4.0 percentage points. Moreover, our 2B variant, RS-OPD-Lite, surpasses most 8B-scale models while achieving the fastest measured inference speed. Our Code, GeoEvidence-6K, and the model weights for RS-OPSD and RS-OPD-Lite are publicly available.
• Abstract（参考訳）: 超高解像度(UHR)リモートセンシング視覚質問応答(VQA)は、極大画像内の小さな視覚的証拠を解決するためにモデルを必要とする。 既存のアプローチは一般的に、トークンのプルーニング、ビジュアル検索、あるいは推論時のツール拡張推論に依存している。 代わりに、ズームイン視覚特権の利点がモデルに内在できるかどうかを検討する。 本稿では,UHRリモートセンシングVQAのための信頼性の高い自己蒸留(OPSD)フレームワークであるRS-OPSDを紹介する。 そこで我々は,7つのタスクカテゴリにわたる6,750のVQAサンプルとエビデンス領域アノテーションを含むGeoEvidence-6Kを構築し,スケーラブルなアノテーションのためのHF-SR(Human Feedback-Guided Skill Refinement)を開発した。 厳密な作物からのコンテキスト損失と不完全な教師からの信号に対処するため、RS-OPSDはコンテキスト保存視覚(CPVP)と正確性調整蒸留(CAD)を導入している。 XLRS-Bench、MME-RealWorld-RS、RS-VQAでは、推論時に追加のビジュアル検索やツールコールがなければ、RS-OPSDは最先端(SOTA)のパフォーマンスを達成し、従来のSOTAモデルよりも平均4.0ポイント向上する。 さらに、我々の2B変種RS-OPD-Liteは、最も高速に測定された推論速度を達成しながら、ほとんどの8Bスケールモデルを上回る。 我々のコード、GeoEvidence-6KおよびRS-OPSDとRS-OPD-Liteのモデルウェイトが公開されている。

関連論文リスト

• RS-HyRe-R1: A Hybrid Reward Mechanism to Overcome Perceptual Inertia for Remote Sensing Images Understanding [22.712555479018203]
  リモートセンシング理解のためのハイブリッド報酬フレームワークRS-HyRe-R1を提案する。 RS-HyRe-R1は「知覚慣性」を効果的に緩和し、より深く、より多様な推論を促進する。
  論文  参考訳（メタデータ） (2026-04-19T15:50:33Z)
• 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)
• 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)
• Co-Training Vision Language Models for Remote Sensing Multi-task Learning [68.15604397741753]
  視覚言語モデル(VLM)は、RS画像理解、グラウンド化、超高解像度(UHR)画像推論において有望な結果を得た。 本稿では,RSMTLのための簡易かつ柔軟なVLMベースラインであるRSCoVLMを提案する。 本稿では、RS画像に固有の多様な画像スケールに対処する、統一された動的解像度戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-26T10:55:07Z)
• AuxDet: Auxiliary Metadata Matters for Omni-Domain Infrared Small Target Detection [49.81255045696323]
  補助メタデータ駆動型赤外小型ターゲット検出器(AuxDet)について述べる。 AuxDetはメタデータセマンティクスと視覚的特徴を統合し、各サンプルに対する適応表現学習を導く。 挑戦的なWideIRSTD-Fullベンチマークの実験は、AuxDetが一貫して最先端のメソッドより優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-21T07:02:05Z)
• OpenRSD: Towards Open-prompts for Object Detection in Remote Sensing Images [45.40710102095654]
  オープンプロンプト型オブジェクト検出フレームワークOpenRSDを提案する。 OpenRSDはマルチモーダルプロンプトをサポートし、マルチタスク検出ヘッドを統合して精度とリアルタイム要求のバランスをとる。 YOLO-Worldと比較すると、OpenRSDは平均精度が8.7%高く、推定速度は20.8 FPSである。
  論文  参考訳（メタデータ） (2025-03-08T10:08:46Z)

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。