arXiv · ML· Ayesh Abu Lehyeh, Jay Hwasung Jung, Safwan Wshah·· 2026-10-07AI 评分20
纯语言推理实现跨视角地理定位:零样本多模态大语言模型方法
What Words Keep of a Place: Zero-Shot Language Reasoning for Cross-View Geo-Localization
AI 导读
研究利用零样本 MLLM 生成结构化文本以比较地面全景与卫星瓦片,无需任何组件训练。在 VIGOR 数据集上,描述相似度在全池中 Recall@1 仅为 0.39%,但在缩小至 10 个邻近瓦片时,MLLM 评委评分表现优于随机排序并匹敌词汇基线。 该方法能解释定位依据,但无法通过描述重排超越视觉检索器,因为语言转换丢失了区分邻近地点所需的精细外观细节。
来源:arXiv · ML · arxiv.org