文章RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning代码暂无单位南洋理工大学电气工程与电子工程学院、上海财经大学计算与经济交叉学科教育部重点实验室一、问题背景遥感定位的两大核心难题传统视觉定位比如在日常照片中找东西靠颜色、纹理等“外貌特征”就能实现但遥感图像的特殊性让任务难度陡增空间尺度极大目标模糊且不唯一航拍图动辄覆盖数平方公里目标物体如车辆、小型运动场占比极小且同类物体密集分布单靠视觉特征难以区分依赖空间关系描述AI推理能力不足描述目标时几乎不用“红色”“圆形”等语义属性反而依赖“左下角”“在XX右侧”等位置关系但现有多模态大模型MLLMs普遍缺乏精准的空间推理能力常出现定位偏差或逻辑混乱。更关键的是现有模型常用的“交并比IoU奖励机制”存在缺陷如果预测位置与实际目标完全不重叠模型会得到“零分”却无法判断自己是“差一点”还是“差很远”难以逐步优化同时模型对同一描述的多次预测结果可能差异巨大稳定性极差。二、方法创新三步打造空间推理“强心脏”针对这些痛点研究团队提出了RSGround-R1框架通过“基础训练强化优化稳定性约束”的三阶段设计让AI真正学会“空间思考”1. Chain-of-Thought SFT教AI“一步步推理位置”就像教孩子找东西要先找参照物、再判断相对位置团队构建了包含3万条样本的“思维链CoT数据集”。每条样本都附带详细推理过程比如描述“左下角的风车”会明确标注“先定位图像整体区域→锁定‘左下角’范围→识别风车目标”的步骤让模型摆脱“直接猜坐标”的盲目性建立结构化的空间推理逻辑。2. 位置奖励机制给AI“渐进式反馈”摒弃传统IoU的“非黑即白”奖励设计了基于高斯核的“位置奖励R_pos”预测位置越靠近目标得分越高哪怕没有完全重叠也能获得正向反馈。比如预测框离目标10像素比离100像素得分高让模型能像“瞄准靶心”一样逐步微调位置即使从完全错误的起点也能逐步逼近正确答案。3. 空间一致性优化让AI“预测不跑偏”为解决多次预测结果分散的问题团队引入了空间一致性约束通过计算同一查询下多次预测的“平均准确率”和“方差”对预测分散的样本赋予更高训练权重引导模型优先学习稳定的定位逻辑避免反复横跳提升结果的可靠性。三、实验结果多项指标刷新SOTA在DIOR-RSVG、VRSBench-VG等主流遥感定位数据集上RSGround-R1表现亮眼核心指标全面领先在DIOR-RSVG数据集上定位准确率Acc0.5达到71.81%比单纯使用强化学习GRPO的模型高出5%以上且仅用40%的训练数据、训练0.4个epoch就实现了这一效果泛化能力超强在无数据重叠的FAST-T、SOTA-T等跨域数据集上依然保持领先优势尤其是在SOTA-T数据集上位置推理稳定性提升显著证明模型学到的空间逻辑可迁移组件效果明确消融实验显示思维链训练CoT-SFT、位置奖励R_pos、空间一致性约束L_SC分别能带来3%、1.5%、3.3%的准确率提升三者协同作用实现最优效果。从定性结果看RSGround-R1能输出清晰的推理轨迹而传统模型常直接给出坐标缺乏逻辑支撑且定位偏差明显如图4所示RSGround-R1预测框与真实目标几乎完全重叠而基线模型偏差显著。四、优势与局限核心优势数据效率高仅用40%训练数据和少量训练轮次就能超越全量数据训练的传统模型可解释性强思维链推理过程透明不仅能定位目标还能说明“为什么这么找”便于实际场景验证通用性广适配不同类型、不同传感器的遥感图像跨域泛化能力解决了实际应用中“数据分布差异大”的痛点。现存局限依赖高质量标注思维链数据集的构建需要精准的目标坐标和推理步骤标注大规模扩展成本较高计算开销略高三阶段训练流程比传统模型更复杂对硬件资源有一定要求极端场景表现待验证在超大规模图像如覆盖数百平方公里或极稀疏目标如单张图仅1个小目标场景中性能尚未充分测试。五、一句话总结RSGround-R1通过“思维链训练渐进式位置奖励空间一致性约束”的创新设计首次系统性解决了遥感图像定位中的空间推理难题用更少数据实现了更高精度、更稳定的定位效果为地理空间分析、遥感智能解译提供了全新思路。