GeoSearcher：带有过程监督的遥感视觉定位的锚引导渐进推理

最近的多模态 大语言模型 (MLLM) 在视觉定位方面表现出了强大的跨模态理解和坐标生成能力。然而，将这些能力转移到遥感视觉定位（RSVG）仍然具有挑战性。高分辨率遥感图像通常覆盖大范围场景，其中目标通常非常小，并且周围有许多视觉上相似的干扰物。同时，查询往往包含多种线索，如参考对象、空间关系、目标属性等。现有的基于 MLLM 的方法通常将 RSVG 制定为一步坐标生成，这可能会导致小目标定位和复杂查询的预测不稳定。为了应对这些挑战，我们提出了 GeoSearcher，它将 RSVG 重新表述为锚引导的渐进推理过程，并通过两个耦合阶段实现它：锚中心推理监督 微调 (ACR-SFT) 和过程忠实组相对策略优化 (PF-GRPO)。在 ACR-SFT 中，以锚点为中心的推理数据用于教导模型将关键视觉线索表示为锚点，并逐步整合它们周围的位置、关系和属性线索。在PF-GRPO中，过程感知奖励（PAR）和推理信息样本选择器（RISS）通过联合评估关键推理步骤和目标定位来进一步优化这种推理行为，同时重点训练更有利于改进渐进推理的样本。通过这种设计，GeoSearcher 将大规模视觉搜索转变为更受约束的局部推理过程。在 DIOR-RSVG、OPT-RSVG 和 VRS-Bench 上进行的大量实验表明，GeoSearcher 的性能优于现有的最先进方法。该项目将发布在https://github.com/wangdianyu954-xixi/GeoSearcher。