GeoVista：基于视觉的主动感知，用于超高分辨率遥感图像的视觉语言理解

解释超高分辨率（UHR）遥感图像需要模型在大规模场景中搜索稀疏且微小的视觉证据。现有的遥感视觉语言模型可以使用缩放和裁剪工具检查局部区域，但大多数探索策略遵循一次性聚焦或单个顺序轨迹。这种单路径探索可能会丢失全局背景，使分散的区域未被访问，并多次重新访问或计算相同的证据。为此，我们提出了GeoVista，一种用于UHR遥感解译的规划驱动的主动感知框架。 GeoVista 没有致力于单一的缩放路径，而是首先构建全局探索计划，然后通过分支局部检查验证多个候选区域，同时维护跨区域聚合和重复数据删除的明确证据状态。为了实现这种行为，我们引入了 APE-GRO，这是一个冷启动监督轨迹语料库，它将各种 UHR 任务重新表述为具有统一的、尺度不变的空间表示的全局-区域-对象交互推理过程。我们进一步设计了用于全局观察、自适应区域检查和证据跟踪的观察-计划-跟踪机制，并将模型与基于 GRPO 的策略结合起来，使用逐步奖励进行规划、本地化和最终答案的正确性。 RSHR-Bench、XLRS-Bench 和 LRS-VQA 上的实验表明，GeoVista 实现了最先进的性能。代码和数据集可在 https://github.com/ryan6073/GeoVista 获取。