语义-几何双重压缩：基于无训练视觉标记稀释的超高分辨率遥感理解
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
多模态大语言模型（MLLM）在地球观测中展现出巨大的潜力，但处理超高分辨率（UHR）图像时产生的大量视觉标记引入了沉重的计算开销，严重制约其推理效率。现有视觉标记压缩方法主要采用静态且统一的压缩策略，忽视了遥感解释任务中内在的“语义-几何二元性”。具体而言，对象语义任务关注对象的抽象语义，受益于激进的背景剪枝；而场景几何任务严重依赖空间拓扑的完整性。为此，我们提出DualComp—a一种任务自适应的双流标记压缩框架。由轻量级预训练路由器动态指导，DualComp将特征处理解耦为两个专用路径。在对象语义流中，空间连续语义聚合器（SCSA）利用尺寸自适应聚类聚合冗余背景，同时保护小对象。在场景几何流中，指令引导结构恢复器（IGSR）引入贪心路径追踪拓扑完成机制，以重建空间骨架。在遥感基准XLRS-Bench上的实验表明，DualComp在异常低的计算成本下完成了高保真遥感解释，实现了效率和准确性的双重提升。
引用
@article{arxiv.2604.11122,
title = {Semantic-Geometric Dual Compression: Training-Free Visual Token Reduction for Ultra-High-Resolution Remote Sensing Understanding},
author = {Yueying Li and Fengxiang Wang and Yan Li and Mingshuo Chen and Mengying Zhao and Long Lan},
journal= {arXiv preprint arXiv:2604.11122},
year = {2026}
}