PixDLM：一种用于无人机推理分割的双路径多模态语言模型
计算机视觉与模式识别
2026-04-20 v1
摘要
推理分割最近已从地面场景扩展到遥感影像，然而无人机数据带来了独特的挑战，包括倾斜视角、超高分辨率和极端的尺度变化。为解决这些问题，我们正式定义了无人机推理分割任务，并将其语义需求组织为三个维度：空间推理、属性推理和场景级推理。基于此表述，我们构建了 DRSeg，一个用于无人机推理分割的大规模基准，包含 1 万张高分辨率航拍图像，并配有覆盖所有三种推理类型的思维链问答监督。作为基准的配套，我们引入了 PixDLM，一个简单而有效的像素级多模态语言模型，作为该任务的统一基线。在 DRSeg 上的实验建立了强大的基线结果，并突显了无人机推理分割的独特挑战，为未来研究提供了坚实基础。
引用
@article{arxiv.2604.15670,
title = {PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation},
author = {Shuyan Ke and Yifan Mei and Changli Wu and Yonghan Zheng and Jiayi Ji and Liujuan Cao and Rongrong Ji},
journal= {arXiv preprint arXiv:2604.15670},
year = {2026}
}
备注
Accepted to CVPR 2026 (highlight)