Tag · 2 篇
遥感视觉语言模型
01 02
GeoDiT：面向地理空间理解的基于扩散的视觉语言模型
GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding
把地理空间视觉语言生成从自回归序列解码换成扩散式并行精修，对做遥感 captioning、visual grounding 和多目标检测的人提供了一个可直接替换解码范式的思路，尤其适合需要结构化、对象级输出的场景。
FUSAR-GPT：面向 SAR 影像的时空特征嵌入与两阶段解耦视觉语言模型
FUSAR-GPT: A Spatiotemporal Feature-Embedded and Two-Stage Decoupled Visual Language Model for SAR Imagery
对做遥感/多模态的视觉研究者，可复用其「时空锚点」把多源时序特征注入视觉骨干网络以补偿 SAR 目标表征稀疏的思路，以及解耦知识注入与任务执行的两阶段 SFT 范式，可直接迁移到其他低质量或非 RGB 成像域的 VLM 适配。