从双时光卫星图像生成时序变化解释

解释不同时间拍摄的卫星图像之间的时序变化对于城市规划和环境监测至关重要。然而，手动构建用于该任务的数据集成本高昂，因此人类-人工智能合作具有前景。本文旨在探索大规模视觉-语言模型（LVLMs）解释卫星图像之间时序变化的能力。虽然 LVLMs 已知能生成优异的图像描述，但仅接受单张图像作为输入。为处理作为输入的成对卫星图像，我们提出了三种提示方法。通过人类评估，我们发现基于分步推理的提示方法效果最佳。