摘要
高分辨率遥感视觉问答任务要求模型能够识别与问题相关的区域，并对细粒度的视觉信息进行推理。然而，现有的视觉语言模型通常依赖固定的全局图像输入，这可能导致在超高分辨率图像中丢失重要的局部细节，且难以处理信息稀少的区域、大规模的物体差异以及复杂的空间结构。为解决这些难题，本文提出了一种结合裁剪工具的主动感知框架，并融入强化学习机制。该框架通过引入结构化标记，将推理过程明确分为问题理解、裁剪决策、局部信息获取以及最终答案生成四个阶段。基于此设计，模型可以主动判断是否需要执行裁剪操作，并选择与任务相关的区域进行进一步分析。为了在紧凑型的视觉语言模型中实现稳定的工具使用和多轮推理，我们利用LRS-GRO数据集中的高分辨率图像、问答对以及标注区域，构建了由教师引导的裁剪推理路径，以此对Qwen2.5-VL-3B模型进行冷启动监督微调。此外，我们还采用了群体相对策略优化方法来优化模型的主动感知策略。通过整合输出格式约束、参考区域覆盖度、答案语义一致性以及裁剪惩罚等要素，设计出了一个具备区域意识的奖励函数，该函数既能促使模型选择简洁且信息丰富的区域，又能减少不必要的工具调用。在VRSBench、MME-RealWorld-RS、XLRS-Bench和LRS-VQA等测试集上的实验表明，所提出的方法在整体性能上可与各类闭源、开源以及针对遥感任务的视觉语言模型相媲美，且在大多数测试集中都能取得最佳或接近最佳的结果。消融实验进一步验证了结构化监督微调、强化学习优化以及所设计的奖励机制的有效性。
