面向遥感忠实推理：面向视觉语言模型的感知驱动地理空间思维链
计算机视觉与模式识别
2026-02-03 v2
摘要
遥感中的视觉语言模型（VLM）常常在复杂分析任务上失败，这一局限性源于其端到端训练范式跳过了关键的推理步骤并导致不可验证的输出。为解决这一局限，我们引入了感知驱动的地理空间思维链（Geo-CoT），一个将遥感分析建模为可验证的多步骤过程的框架。我们通过两阶段对齐策略来灌输这一分析过程，利用 Geo-CoT380k——第一个大规模结构化 Geo-CoT 推理数据集。该策略首先采用监督微调（SFT）来灌输基础的认知架构，然后利用组奖励策略优化（GRPO）来细化模型的推理策略以趋向事实正确性。所得模型 RSThinker 同时输出最终答案及其可验证的分析轨迹。这一能力带来了主导性性能，在广泛的任务范围内显著优于最先进模型。我们 Geo-CoT380k 数据集和 RSThinker 模型的公开发布，为从模糊感知走向结构化、可验证的地球观测推理提供了一条具体路径。
引用
@article{arxiv.2509.22221,
title = {Towards Faithful Reasoning in Remote Sensing: A Perceptually-Grounded GeoSpatial Chain-of-Thought for Vision-Language Models},
author = {Jiaqi Liu and Lang Sun and Ronghao Fu and Bo Yang},
journal= {arXiv preprint arXiv:2509.22221},
year = {2026}
}