論文の概要: GeoReason: Bridging Logical Reasoning and Spatial Fidelity in Remote Sensing Segmentation

• arxiv url: http://arxiv.org/abs/2610.23416v1
• Date: Fri, 16 Oct 2026 13:07:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.919804
• Title: GeoReason: Bridging Logical Reasoning and Spatial Fidelity in Remote Sensing Segmentation
• Title（参考訳）: GeoReason:リモートセンシングセグメンテーションにおける論理的推論と空間的忠実度
• Abstract要約: GeoReasonは、論理的推論を強化し、空間的整合性を維持するために設計された新しいフレームワークである。 初期ユーザクエリに直接セグメンテーショントークンを注入する予測プライオリティ機構を導入する。 また、位置認識型Chain-of-Thoughtによる視覚的推論も強化する。
• 参考スコア（独自算出の注目度）: 54.92603623360416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal Large Language Models (MLLMs) have significantly advanced instruction-driven perception through the "Embedding-as-Mask" paradigm. However, extending this capability to Remote Sensing (RS) reasoning segmentation remains exceptionally challenging under cluttered geographical contexts and extreme scale variations, often leading to Spatial Fidelity Degradation and Target Misidentification. We identify a critical yet underexplored bottleneck: the sequential alienation of the segmentation token [SEG] from its initial visual grounding within the autoregressive generation paradigm. Produced only at the end of long reasoning chains, [SEG] relies on visual evidence that has been progressively diluted by linguistic abstraction and autoregressive noise. This information decay is particularly catastrophic for RS targets with minuscule pixel footprints, where even marginal fidelity loss leads to localization failure. To address these bottlenecks, we propose GeoReason, a novel framework designed to fortify logical deduction and preserve spatial integrity. First, we introduce an Anticipatory Prior mechanism that injects the [SEG] token directly into the initial user query, shifting it from a terminal output to a primary condition. This paradigm shift transforms the token into a persistent spatial anchor, preventing information decay during long-form linguistic inference. Second, we enhance visual reasoning via a Location-aware Chain-of-Thought (CoT) that enforces coarse-to-fine localization using bounding boxes, coupled with a Latent Patch-to-Token Alignment (PTA) Loss that explicitly aligns the latent segmentation token with physical RS textures. Extensive experiments demonstrate that GeoReason consistently outperforms state-of-the-art methods on the Earthreason and RRSIS-D benchmarks. Code is available at https://github.com/Fanc0126/GeoReason.
• Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、"Embedding-as-Mask"パラダイムを通じて、命令駆動の認識を著しく向上させる。 しかし、この能力をリモートセンシング(RS)の推論セグメンテーション(セグメンテーション)に拡張することは、地理的に散らばった状況や極端なスケールの変動の下では、非常に困難であり、しばしば空間的フィデリティ劣化とターゲットミスシデント化につながる。 我々は,セグメンテーショントークン(SEG)の自己回帰生成パラダイムにおける初期視界からの逐次的疎外という,重要で未解明のボトルネックを特定した。 長い推論連鎖の終わりにのみ生産されるSEGは、言語的抽象と自己回帰的雑音によって徐々に希薄化してきた視覚的証拠に依存している。 この情報崩壊は、極小ピクセルのフットプリントを持つRSターゲットにとって特に破滅的であり、極端に忠実度が失われても局所化が失敗する。 このようなボトルネックに対処するために,論理的推論の強化と空間的整合性維持を目的とした新しいフレームワークであるGeoReasonを提案する。 まず、[SEG]トークンを初期ユーザクエリに直接注入し、端末出力からプライマリ条件に切り替える予測プライオリティ機構を導入する。 このパラダイムシフトはトークンを永続的な空間アンカーに変換し、長期の言語推論における情報減衰を防止する。 第二に、境界ボックスを用いた粗い位置決めを強制する位置認識チェーン(CoT)による視覚的推論を強化し、PTA(Latent Patch-to-Token Alignment)ロスと組み合わせて、潜在セグメント化トークンを物理的RSテクスチャに明示的に整合させる。 大規模な実験により、GeoReasonはアースレアソンとRRSIS-Dベンチマークの最先端の手法を一貫して上回っていることが示された。 コードはhttps://github.com/Fanc0126/GeoReason.orgから入手できる。

関連論文リスト

• UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation [16.130775814500822]
  段階的生成とランク付けの両方を支援するため,TacGR(Stepwise Target-Side Feature Precipation and Crossing for Generative Recommendation)を提案する。 TacGRは、連続的なターゲット側の特徴ベクトルを予測し、デコーダ内のセマンティックプレフィックスとユーザー行動シーケンスと交差する。 大規模なデータセットに関するオンライン実験では、OneRec、UniRec、UniSGRを大きく上回っている。
  論文  参考訳（メタデータ） (2026-10-12T03:48:56Z)
• DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
  長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。 DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。 DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
  論文  参考訳（メタデータ） (2026-09-16T14:57:11Z)
• CROSS: Cascaded Distillation and Dual-Constraint Grounding for Remote Sensing Referring Segmentation [15.230353995992246]
  Crossはリモートセンシングイメージを参照するための密に統合されたパラダイムである。 まず,Linguistic-Guided Cascaded Distillation (LGCD)を導入し,建築的ギャップを埋める。 第二に、PSCL(spective-Spatial Contrastive Learning)は、横断的制約を課している。
  論文  参考訳（メタデータ） (2026-08-04T05:24:05Z)
• DeCoRAG: Cognitive Decoupling and Semantic-Aware Cropping for Complex Document Understanding [9.340832029984703]
  DeCoRAGはマルチモーダルグラフRAGパイプラインで、知識処理を結合した視覚的意味論的推論から「認知的疎結合」へ移行する。 DeCoRAGは最強のベースラインに対して最大12.5ポイントのセマンティックパスレートを改善する。 RAP-Cropは、エンドツーエンドの精度を犠牲にすることなく、オフライングラフ構築プロンプトを40.8%削減する。
  論文  参考訳（メタデータ） (2026-07-27T15:28:02Z)
• LARAD: Layout-Aware Road Anomaly Detection via Spatial-Logic Reasoning [16.92190487823839]
  本稿では,外見整合から空間論理的推論へパラダイムをシフトさせるレイアウトアウェア道路異常検出(LARAD)を提案する。 まず、テクスチャに一貫性があるが空間的に無効なトレーニングサンプルを生成するSpatial-Logic Violation Synthesis Pipelineを紹介する。 第二に、OoD誘導の軽量なアテンションブランチにより、標準的なクローズドセットセグメンテーションネットワークを増強する。
  論文  参考訳（メタデータ） (2026-07-14T15:09:00Z)
• DeSeG: Decoupling Semantic Intent and Geometric Constraints for Physically Plausible Human-Scene Interaction [50.06148080975928]
  本稿では,意味的意図を幾何学的制約から明確に分離する階層型フレームワークであるDeSeGを提案する。 DeSeGは最先端のパフォーマンスを実現し、平均シーン浸透率を47%削減し、SOTAベースラインに対するセマンティックアライメントを29%改善した。
  論文  参考訳（メタデータ） (2026-07-07T03:21:08Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• OmniGF: A Dual-Branch Vision-Language Framework for Unified Gaze Following [59.53720386342017]
  拡張性のある多対人視線推論に基礎的な視覚言語モデルを適用する統合視覚言語フレームワークを提案する。 すべての個人をモデル化することにより、OmniGFは正確な空間的視線目標推定、意味的視線予測、複雑な社会的視線推定をシームレスに統合する。
  論文  参考訳（メタデータ） (2026-05-26T00:08:06Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)

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。