OptiSAR-Net++：跨域遥感视觉基础的大规模基准和无 Transformer 框架

遥感视觉定位（RSVG）旨在使用自然语言表达来定位遥感图像中的特定目标。然而，现有方法仅限于单传感器域，即光学或合成孔径雷达（SAR），限制了它们的实际适用性。在本文中，我们介绍了跨域 RSVG (CD-RSVG) 任务并构建了 OptSAR-RSVG，这是该设置的第一个大规模基准数据集。为了解决跨域特征建模、计算效率低下和细粒度语义辨别的挑战，我们提出了 OptiSAR-Net++。我们的框架具有补丁级低秩适应专家混合（PL-MoE），可实现高效的跨域特征解耦。为了减轻 Transformer 解码框架的大量计算开销，我们采用基于 CLIP 的对比范式，并进一步结合动态对抗性负采样，从而将生成回归转化为高效的跨模态匹配过程。此外，还引入了文本引导双门融合模块（TGDF-SSA）和区域感知辅助头来增强语义视觉对齐和空间建模。大量实验表明，OptiSAR-Net++ 在 OptSAR-RSVG 和 DIOR-RSVG 基准上均实现了 SOTA 性能，在定位精度和效率方面具有显着优势。该模型和数据集已在 https://github.com/JunDong-dev/OptiSAR-Net-PlusPlus 上公开发布。