视觉语言建模遇见遥感：模型、数据集与前景展望

摘要——视觉语言建模（Vision-Language Modeling, VLM）旨在弥合图像与自然语言之间的信息鸿沟。在先进行大规模图文对预训练、再在任务数据上进行微调的全新范式下，遥感领域中的VLM取得了显著进展。所产生的模型得益于广泛通用知识的融入，在多种遥感数据分析任务中展现出强大的性能。此外，这些模型还具备与用户进行对话式交互的能力。

本文旨在为遥感领域的研究者提供一份及时且全面的综述，系统回顾基于该两阶段范式的VLM研究进展。具体而言，我们首先对遥感中的VLM进行分类梳理，包括对比学习、视觉指令微调以及文本条件图像生成。针对每一类方法，我们详细介绍了常用的网络结构与预训练目标。 其次，我们对现有研究进行深入评述，涵盖对比学习类VLM中的基础模型与任务适配方法，指令微调类VLM中的架构改进、训练策略与模型能力，以及生成式基础模型及其代表性的下游应用。 第三，我们总结了用于VLM预训练、微调与评估的数据集，分析其构建方法（包括图像来源与描述生成方式）与关键属性，如数据规模与任务适应性。 最后，本文对未来研究方向提出若干思考与展望，包括跨模态表示对齐、模糊需求理解、基于解释的模型可靠性、持续扩展的模型能力，以及具备更丰富模态与更大挑战的大规模数据集。 关键词——遥感，视觉语言建模，对比学习，视觉指令微调，扩散模型

一、引言

遥感中的视觉语言建模（Vision-Language Modeling, VLM）旨在弥合遥感图像与自然语言之间的信息鸿沟，促进对遥感场景语义（如地物属性及其关系）的深入理解，并实现与智能遥感数据分析模型或方法的更自然交互方式 [17]，[164]。自从遥感领域引入图像描述 [62]、视觉问答 [54]、文本-图像（或图像-文本）检索 [166] 以及基于文本的图像生成 [165] 等任务以来，受益于深度学习的发展，VLM在遥感领域取得了显著成果。 早期的VLM研究主要强调模型结构的精心设计，并通过从零开始在小规模数据集上进行监督训练。例如，在图像描述任务中，许多研究 [167]–[170] 试图将卷积神经网络（如VGG [171]和ResNet [172]）与序列模型（如LSTM [173]和Transformer [174]）有效结合，并在UCM-captions [62]与Sydney-captions [62]等数据集上进行训练。在这一经典的构建范式下，深度模型通常在测试集上表现良好，但在大规模部署中效果欠佳。此外，尽管这些模型能够描述图像内容，但在处理图像相关问答等任务时能力不足，限制了其在多样化场景中的应用。 近年来，预训练-微调的新范式为上述挑战提供了有前景的解决方案。其核心思想是，首先在大规模图文数据上进行预训练，使模型能够学习涵盖广泛视觉与文本概念及其对应关系的通用知识，然后在特定任务数据上进行微调。已有研究表明，通用知识的融入不仅提升了模型在单一任务中的泛化能力 [7]，[8]，还增强了模型在多种下游任务中的适应性与多样性 [1]，[3]。因此，该新范式下的视觉语言建模已成为遥感领域的研究热点。迄今为止，相关研究取得了显著进展，如图1所示，主要体现在以下几个方面：

基于对比学习的方法（如GeoRSCLIP [7]、SkyCLIP [8]和RemoteCLIP [2]），在跨模态任务与零样本图像理解任务中取得了重要突破；

学习图文间隐式联合分布的方法（如RS-SD [7]、DiffusionSat [38]和CRSDiff [39]），支持通过文本提示生成图像；

视觉指令微调方法（如GeoChat [3]、LHRSBot [9]和SkySenseGPT [11]），在遥感数据分析中表现出更强的性能、多样化的能力与对话交互能力。

尽管已有诸多成果，但VLM仍被公认为一个尚未完全解决的研究难题。目前的模型仍无法达到遥感专家在遥感数据处理方面的水平。为推动该领域进一步发展，已有若干综述论文试图系统梳理遥感中的视觉语言建模。例如，Li等人 [17] 从应用视角出发总结了相关模型，并提出潜在研究方向，但其主要聚焦于视觉基础模型和早期工作；Zhou等人 [16] 则回顾了近期研究进展，但缺乏对关键设计的深入剖析，而这些设计对于未来研究的启发具有重要意义。此外，作为VLM研究的前提条件，相关数据集在现有综述中也未受到充分关注。 因此，本文旨在针对遥感领域中的预训练-微调范式，提供一份及时且全面的文献综述，重点包括：

对遥感VLM方法的分类，详细介绍各类方法中常用的网络结构与预训练目标；

对基于对比、指令与生成三类VLM方法的最新进展进行总结，重点分析其关键设计与下游应用；

对用于预训练、微调与评估的数据集进行梳理，分析其构建方法与关键特性；

讨论当前挑战与未来可能的研究方向。

图2展示了本文的整体框架。