ROARS: A Cloud-Based Resolution-Native Framework for Large-Scale Remote Sensing Multimodal Analysis

doi:10.1109/tcc.2026.3721293

ROARS: A Cloud-Based Resolution-Native Framework for Large-Scale Remote Sensing Multimodal Analysis

2026-08-05

0

PRE

AI

DOI：10.1109/tcc.2026.3721293

原文链接

原文求助

摘要

En 中文

遥感（RS）分析范式向基于云的大规模计算转变，对能够解释PB级、高分辨率异构图像的智能方法提出了需求。多模态大型语言模型（MLLMs）已作为此类数据密集型任务的变革性解决方案出现，在开放集感知和高层次语义推理方面提供了前所未有的能力。然而，将通用MLLM架构直接应用于RS领域面临重大挑战：固定分辨率视觉编码器的约束导致小物体的严重信息损失，而依赖单层特征融合则忽略了保存在中间层中的关键空间线索。为解决这些挑战，我们提出ROARS：一种基于云的原生分辨率框架，用于大规模遥感多模态分析，旨在实现高保真度解释。首先，我们引入了一种原生分辨率视觉编码器，专门处理任意宽高比和尺度的图像，无需下采样，从而严格保留像素级细节。其次，我们设计了一种基于快捷通道的融合机制，通过注入多级视觉特征来弥合语义差距。此外，为增强全局上下文理解，我们整合了多粒度标记池化策略，提供细粒度和粗粒度的视觉表示。在VRSBench上的大量实验表明，我们的框架显著优于现有最优方法，尤其在细粒度物体感知和复杂空间推理方面。这些结果验证了所提方法作为下一代基于云的RS解释系统的鲁棒且高效的核心组件。

Keyword:

Remote Sensing

Native Resolution

Multimodal Large Language Model

Vision-Language Information Fusion

ROARS: A Cloud-Based Resolution-Native Framework for Large-Scale Remote Sensing Multimodal Analysis

摘要

期刊

机构

引用论文