論文の概要: TerraAgent: Demonstration-Grounded Multi-Agent Reasoning for Long-Context Remote Sensing Visual Question Answering
- arxiv url: http://arxiv.org/abs/2610.12517v1
- Date: Wed, 07 Oct 2026 19:50:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.212739
- Title: TerraAgent: Demonstration-Grounded Multi-Agent Reasoning for Long-Context Remote Sensing Visual Question Answering
- Title（参考訳）: TerraAgent: 長期リモートセンシング視覚質問応答のためのデモ付きマルチエージェント推論
- Abstract要約: AVAはフリーのフレームワークで、凍結したRS MLLMを3つのモジュールでラップする。
それぞれのクエリをエビデンス型サブクエストDAGに分解し、サブクエストを適切な認識ツールにルーティングし、バウンド再認識を伴う共有エビデンス台帳に記録する。
RSVQA-LR/HR、VRSBench、LHRS-Benchでは、AVAは最強の同セットベースラインよりも平均精度を2.40ポイント向上させる。
- 参考スコア（独自算出の注目度）: 2.681087131751671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing visual question answering (RS-VQA) requires answers that truly depend on image evidence, yet current remote sensing multimodal large language models (RS MLLMs) are still evaluated mainly by accuracy, which cannot reveal whether a correct answer was produced without using the image. This setting introduces three challenges: demonstrations retrieved across different ground sample distances (GSD), sensors, and city textures may be poorly matched; real queries often involve long visual contexts from multi-scale tiles, multi-temporal frames, and retrieved knowledge, where evidence can be diluted and errors can propagate through multi-step reasoning; and prior-only answering remains invisible to standard metrics. We present AVA, a training-free framework that wraps a frozen RS MLLM with three modules. GDR performs GSD-bucketed, scene-graph-based demonstration retrieval and filters demonstrations whose answers are unsupported by their images. MACE decomposes each query into an evidence-typed sub-question DAG, routes sub-questions to suitable perception tools, and records verified provenance in a shared evidence ledger with bounded re-perception. CVA audits the final answer through counterfactual perturbations of cited evidence, including ablation and swap, and computes a visual-dependency score for confidence calibration and evidence-forcing re-query. On RSVQA-LR/HR, VRSBench, and LHRS-Bench, AVA improves average accuracy by up to 2.40 points over the strongest same-setting baselines, raises the visual-dependency score from 0.28 to 0.49, reduces the prior-only answer rate from 46.2 percent to 21.7 percent, and lowers the hallucination rate from 17.1 percent to 9.8 percent, with 2.6x the cost of a single backbone forward pass and no fine-tuning.
- Abstract（参考訳）: リモートセンシング型視覚質問応答 (RS-VQA) は, 画像証拠に依存した回答を必要とするが, 現在のリモートセンシング型マルチモーダル大言語モデル (RS MLLM) は, 画像を用いることなく正しい回答が得られたかどうかを判断できない精度で評価されている。
この設定では、異なるサンプル距離(GSD)で検索されたデモ、センサー、都市テクスチャがうまく一致しない場合があり、実際のクエリは、マルチスケールタイルからの長い視覚的コンテキスト、マルチテンポラルフレーム、検索された知識を含むことが多い。
AVAは、凍結したRS MLLMを3つのモジュールでラップする、トレーニング不要のフレームワークである。
GDRはGSD-bucketed, scene-graph-based demo search を実行し,イメージによって回答が得られないデモをフィルタする。
MACEは、各クエリをエビデンス型サブクエストDAGに分解し、サブクエストを適切な認識ツールにルーティングし、バウンド再認識を伴う共有エビデンス台帳で証明された証明された証明結果を記録する。
CVAは、アブレーションやスワップを含む引用された証拠の反実的な摂動を通じて最終回答を監査し、信頼度校正とエビデンス強制再クエリのための視覚的依存度スコアを算出する。
RSVQA-LR/HR, VRSBench, LHRS-Benchでは、最強の同一セットベースラインに対して平均精度を最大2.40ポイント向上させ、視覚依存度スコアを0.28から0.49に引き上げ、事前のみの回答率を46.2%から21.7%に下げ、幻覚率を17.1%から9.8%に下げる。
関連論文リスト
- Lost in Conversation or Lost in Translation? Diagnosing Multi-Turn Degradation in RAG [1.3931584561569557]
Retrieval-augmented Generation (RAG) と Graph-based variant (GraphRAG) は、主に単一ターンで完全に指定されたクエリで評価される。
我々は,この評価ミスマッチを大規模シミュレーション研究により系統的に検討した。
論文 参考訳（メタデータ） (2026-09-29T04:39:41Z) - Harnessing Image Question Dependence for Better VLM Test-time Reinforcement Learning [66.13367818892503]
Vlm 適応性を向上させるために画像探索依存を利用したテスト時強化学習フレームワーク TTIQ を提案する。
TTIQの教師は、元の画像検索ペアとその画像と質問対応のバリエーションの下で、各サンプル応答を強制する。
イメージと質問への依存と信頼を組み合わせることで、共同で接地された応答を好む応答レベルの報酬を構築する。
論文 参考訳（メタデータ） (2026-09-09T22:54:15Z) - Does More Retrieved Evidence Help Visual Retrieval-Augmented Generation with Diffusion Language Models? [22.988311596447435]
ビジュアル検索強化生成(RAG)は、通常、検索されたエビデンスを拡張して、回答ページのカバレッジを改善する。
この仮定は拡散言語モデル(DLM)に当てはまらないことを示す。
トレーニング不要なエビデンス・アドミッションフレームワークであるEntropy-Based Candidate Filter (ECF)を提案する。
論文 参考訳（メタデータ） (2026-08-07T09:20:40Z) - Knowing When Not to Answer: Evaluating Abstention in Multimodal Reasoning Systems [52.83669998269706]
テキストのみの設定で研究されてきたが、まだマルチモーダルに探索されていない。
現在のベンチマークでは、未解決性を無視するか、現実的な障害モードを見逃す粗末なメソッドに依存している。
MM-AQAは、2つの軸に沿った変換によって解答不能なインスタンスを解答可能なインスタンスから構築するベンチマークである。
論文 参考訳（メタデータ） (2026-04-16T09:23:22Z) - Benchmarking Deflection and Hallucination in Large Vision-Language Models [25.176271096443482]
既存のベンチマークでは、視覚的証拠とテキスト的証拠の衝突を見落としている。
多様なマルチモーダル検索設定にまたがる2,775個のサンプルのベンチマークであるVLM-DeflectionBenchを紹介する。
私たちの結果は、モデルが知っていることだけでなく、そうでないときにどのように振る舞うかを評価する必要性を強調します。
論文 参考訳（メタデータ） (2026-04-13T20:22:22Z) - ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。
ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
論文 参考訳（メタデータ） (2025-11-27T19:01:02Z) - VisRAG 2.0: Evidence-Guided Multi-Image Reasoning in Visual Retrieval-Augmented Generation [64.82775032985485]
視覚検索強化世代(VRAG)は視覚言語モデル(VLM)を外的視覚知識で拡張し、基礎推論を行い幻覚を減らす。
しかし、現在のVRAGシステムは、複数の画像に対して確実な認識と証拠の統合に失敗し、根拠の弱さと誤った結論に繋がることが多い。
EVisRAGは,エビデンス誘導型マルチイメージで推論を学習し,この問題に対処するエンド・ツー・エンドのフレームワークである。
論文 参考訳（メタデータ） (2025-10-10T13:34:23Z) - Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。
実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。
RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
論文 参考訳（メタデータ） (2025-04-17T16:46:11Z) - Detecting and Preventing Hallucinations in Large Vision Language Models [4.7264116948935975]
M-HalDetectは、詳細な画像記述のための最初のマルチモーダル幻覚検出データセットである。
InstructBLIPから細粒度マルチモーダル報酬モデルを訓練し,その有効性を評価する。
LLaVAとmPLUG-OWLの幻覚をそれぞれ15%と57%低減する。
論文 参考訳（メタデータ） (2023-08-11T21:35:20Z)
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。