arXiv cs.AI· Huang Fei, Boyi Chen, Hao Xue, Yang Yue, Yehong Xu, Xiaofang Zhou·· 3 天前AI 评分24
GeoVec-VLM：将地理空间矢量几何作为视觉语言模型的原生空间模态
Geospatial Vector Geometry as a Native Spatial Modality for Vision-Language Models
AI 导读
论文提出 GeoVec-VLM，将地理空间矢量几何作为 VLM 的原生空间模态，通过结构化几何表示与几何交互策略，让感知和推理在共享几何参照上进行。在五项空间推理任务上，其平均准确率较最强基线提升约 11%，并在地理迁移下保持增益，几何一致性更强。
正文 · AI 翻译
摘要：地理空间推理将 VLM 与现实世界的行动和决策联系起来。可靠的推理需要准确的空间信息和有效的空间表示。然而，当前的 VLM 主要从语言和视觉中获取这些信息。在更大的地理尺度上，有限的视觉观测使得难以建立准确的空间参照并恢复精确的空间关系。这导致 VLM 空间感知与推理出现瓶颈。本文提出，地理空间矢量几何可以成为 VLM 中的一种原生空间模态，并介绍了 GeoVec-VLM。首先，我们开发了一种结构化几何表示，它保留了矢量对象的空间结构和排列，构建了显式的空间基础。其次，我们引入了一种几何交互策略，将该基础带入多模态计算，使其根据所查询的空间关系与视觉内容和语言参照进行交互。这些设计共同使感知和推理能够在共享的几何参照上运行。在五项空间推理任务中，GeoVec-VLM 相对于最强基线将平均准确率提高了约 11\%，在地理迁移下仍保持其增益，并展现出更高的几何一致性。我们的结果表明，地理空间矢量几何为 VLM 空间推理提供了一种有前景的内部空间基础。this https URL
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.16769 [cs.AI] |
| （或 arXiv:2610.16769v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16769 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Fei Huang [查看电子邮件]
[v1]
2026年10月12日星期一 13:27:50 UTC（11,039 KB）
来源：arXiv cs.AI · arxiv.org