Jingwen Huang氏らは2026年10月11日(現地時間)、長文のリモートセンシング視覚的質問応答 (Remote sensing visual question answering: RS-VQA) に対応するマルチエージェント推論フレームワーク「TerraAgent」に関する研究論文をarXiv上で公開した。画像証拠に真に依存した回答を生成する課題に対処するため、訓練不要のフレームワーク「AVA」を提案し、既存のリモートセンシングマルチモーダル大規模言語モデル (RS MLLMs) を3つのモジュールで拡張する。
リモートセンシング視覚的質問応答 (RS-VQA) は、画像証拠に真に依存する回答を要求するが、現在のRS MLLMsは主に精度で評価され、画像を使用せずに正答が生成されたかどうかが不明な課題があった。また、異なる地上標本距離 (ground sample distances: GSD) やセンサーにわたるデモンストレーションのマッチング不良、マルチスケールのタイルやマルチテンポラルのフレームからの長い視覚的コンテキストにおける証拠の希薄化とエラー伝播、そして事前情報のみに基づく回答が標準評価指標では検出されないといった3つの主要な課題が指摘されていた。
これらの課題に対応するため、本研究は訓練不要のフレームワーク「AVA」を提案する。AVAは、凍結されたRS MLLMを「GDR」「MACE」「CVA」の3つのモジュールでラップする。GDRは、GSDでバケット化されたシーングラフに基づくデモンストレーション検索を実行し、回答が画像によってサポートされていないデモンストレーションをフィルタリングする。MACEは、各クエリを証拠タイプ付きのサブ質問DAG (Directed Acyclic Graph) に分解し、適切な知覚ツールにルーティングしながら、検証済みのプロベナンスを共有証拠台帳に記録する。CVAは、アブレーションやスワップを含む引用証拠の反事実的摂動を通じて最終回答を監査し、信頼性較正のための視覚依存性スコアを計算し、証拠を強制する再クエリを行う。
RSVQA-LR/HR、VRSBench、LHRS-Benchのデータセットにおける評価では、AVAは最強の同設定ベースラインと比較して、平均精度を最大2.40ポイント向上させた。また、視覚依存性スコアを0.28から0.49に引き上げ、事前情報のみの回答率を46.2パーセントから21.7パーセントに削減した。さらに、幻覚 (hallucination) 発生率を17.1パーセントから9.8パーセントに低下させている。これらの成果は、ファインチューニングなしで達成され、コストは単一バックボーンの順方向パスの2.6倍であった。
参考: arXiv cs.CV (アーカイブ) — 2026年10月12日 13:00 (JST)
原文ハイライト"AVA improves average accuracy by up to 2.40 points over the strongest same-setting baselines"