FUSE-RSVLM 
 画像を”読む”ための視覚言語モデル 
 Feature Fusion Vision-Language Model for Remote Sensing 
 フリーランサー
 柴田たけお
 1 Yunkai Dang, Donghao Wang et al.** Nanjing University https://arxiv.org/pdf/2512.24022 ※ 本資料中で個別に出典を明記していない図・概念図は， Dang et al. (2025), “FUSE-RSVLM: Feature Fusion Vision-Language Model for Remote Sensing” (arXiv:2512.24022) を基に作成しています。 

目次
 3 ■ 自己紹介
 ■ 研究の１ページサマリ ■ 研究の背景 ■ 関連研究 ■ 手法 ■ 実験
 ■ 実装による推論再現結果 ■ まとめ ■ 参考文献 
 
 
 
 

4 自己紹介 This image was generated by ChatGPT 

柴田たけお フリーランサー 東北大学理学部、カリフォルニア大学バークレー大学院で地物専攻 その後IT業界で30年近くSYSTEM ENGINNERとしてシステム開発にかかわる。 現在はAIとGISやリモートセンシングを組み合わせたソリューションに興味あり 最近開発活動（ POCも含む） ●衛星.GIS関連: 衛星画像LANDSATと統計データを利用した新潟県の収穫量予測, 物流の最適運搬システム ●一般AI関連: 開発実績: 音声特徴量での健康診断, 顔認証, 画像生成, 自動コード生成, END2ENDでのAI医療応用提案 ●その他: SNSのコメントと写真情報からの災害対応システム 自己紹介 X Zenn 5 

6 研究の1ページサマリ This image was generated by ChatGPT 

FUSE-RSVLMの１ページサマリ 
 7 ●目的 衛星・UAV画像において、小物体や局所構造を見失わず 、状況説明・質問応答・分類を高精度に行う リモートセンシング特化 Vision-Language Model（VLM）を構築 ●対応データ 光学リモートセンシング画像（ RGB） 高解像度衛星・UAV(Unmanned Aerial Vehicle)無人機撮影画像 ●主な機能 分類、キャプション生成、質問応答（存在・数・位置）、カウント ●強み 小物体・数・位置推定で既存 RS-VLM／汎用VLMを上回る 高解像度情報を保持したまま言語生成が可能 視覚情報の忘却（visual forgetting）を抑制 ●技術的特徴 マルチスケール視覚特徴抽出（低解像度＋高解像度） LLMへの視覚特徴の再注入（ feature injection） ●学習データ・性能 約29万のRS指示データで学習 VQA・分類・キャプションで複数 RSベンチマークSOTA 

8 研究の背景 This image was generated by ChatGPT 

研究の背景 
 9 ●背景 Vision-Language Model（VLM）は分類・QA・推論で高性能だが、 衛星・UAV画像（Remote Sensing）ではそのまま機能しない * 原因①：解像度問題 多くのRS-VLMは高解像度画像を単一スケールで縮小し、 車両・船・道路など小さく細い構造が消失 * 原因②：特徴表現の限界 Vision Encoderの最終層のみをLLMに入力するため、 局所的・低レベルな視覚特徴が保持されない * 原因③：視覚情報の忘却 視覚トークンを一度だけLLMに与える設計により、 生成途中で言語側に引きずられ視覚的根拠が薄れる （visual forgetting） ●提案手法（ MF-RSVLM） マルチスケール視覚特徴（全体＋局所）を抽出・融合し、 LLMの複数層に視覚特徴を再注入 するRS特化VLMを提案 ●学習と評価 キャプション・VQA・分類など 6タスク・29万件のRS指示データ で学習し、 分類・キャプション・VQAで既存RS-VLM／汎用VLMを上回る性能 を達成 

10 関連研究 This image was generated by ChatGPT 

関連研究
 11 1. 汎用 Vision–Language Models（VLM） CLIP・ALIGN・SimVLM などにより、画像と言語の大規模対応付けが進展 BLIP / BLIP-2、LLaVA、InstructBLIP によりキャプション生成・ VQA・視覚推論 が可能に Claude / Gemini / GPT-5、Qwen2.5-VL、InternVL などは高解像度入力や汎用マルチモーダル理解 に強み ただし 衛星画像特有の高解像度・小物体・空間構造には不十分 2. リモートセンシング向け VLM（RS-VLM） 統合型モデル ：EarthGPT、RSUniVLM、FlexiMo→ 光学・SAR・マルチスペクトルを横断的に扱う 高解像度・大規模文脈対応 ：GeoLLaVA-8K→ 超高解像度シーンへの対応 信頼性・不確実性重視 ：VHM→ ハルシネーション抑制 対話型 RS-VLM：RSGPT、GeoChat、SkyEyeGPT、EarthDial→ 大規模指示データによる自然言語対話とEO理解 しかし多くは 単一スケール入力 や視覚情報の保持不足 という課題を残す 3. マルチスケール特徴抽出・融合 物体検出・分類・時系列解析でマルチスケール特徴融合 は広く研究 （Pyramid Transformer、FA-YOLO、MAFNet 等） Remote Sensing 向けにもMSFMamba などが提案されている ただしこれらはVLMにおける言語生成中の視覚保持までは未対応 4. 本研究の位置づけ 既存 RS-VLM（EarthDial 等）の 対話・汎用性路線 を踏まえつつマルチスケール視覚特徴 × LLMへの再注入 により 小物体・局所構造を 言語生成の最後まで保持 する点が新規 
 

12 手法 This image was generated by ChatGPT 

●学習戦略（ Two-stage） Stage 1：Pretraining VersaD を用いた事前学習（Vision Encoder + MLP + LLM を end-to-end） Stage 2：Supervised Fine-Tuning Vision Encoder を固定し、RS指示データで最適化 （VHM・EarthDial と同系統の設計） ●指示データセット概要 総数：293,202 インスタンス 統一フォーマット ： ⟨image（＋bbox）, instruction, output⟩ 6タスクを網羅 ： Captioning / VQA / Visual Grounding / Classification / Instruction-style QA / Detection ●データ構成 UAV + Satellite 画像 光学RGBリモートセンシング画像 VRSBench / RSVQA / DOTA / FAIR1M / DIOR / NWPU-RESISC45 / fMoW / UCMerced-LandUse / RSITMD など 広く使われる RSベンチマークを統合 ●設計上の工夫 地理分布・解像度を考慮したサンプリング マルチタスク指示により 汎用RS状況理解と推論能力を同時に学習 手法 (1/4): データセット 
 

●基本構成 Vision Encoder → MLP Projector → LLM からなる標準的VLMパイプライン ●使用モデル Vision Encoder：CLIP ViT-L/14@336 LLM：Vicuna-v1.5（7B） ●入力設計 低解像度画像（336×336）で全体文脈を取得 高解像度画像（672×672）から マルチスケール局所パッチを生成 ●特徴処理の流れ 低・高解像度画像を共有の Vision Encoderで処理 局所特徴を統合し高解像度の特徴キャンバスを構築 Global / Local 特徴を結合し、MLPでLLM空間へ射影 ●LLMとの統合 融合された詳細特徴を、 LLMの選択された中間層へ注入 ●学習戦略（ Two-stage） Stage 1：Vision Encoder・MLP・LLMを end-to-end で事前学習 Stage 2：Vision Encoderを固定し、MLPとLLMのみを指示データで微調整 手法 (2/4): アーキテクチャー 
 

●背景 既存RS-VLMは高解像度画像を単一スケールで縮小し、小物体や細い構造（車・船・道路）を失いやすい ●前提 入力画像を 高解像度キャンバス（ S = 672） に正規化 視覚情報を 低解像度で潰さず保持 することを重視 ●提案：マルチスケール視覚表現 低解像度ビュー ：シーン全体の文脈（ global context） 高解像度ビュー ：スライディングウィンドウによる局所詳細 　　　　　　　　複数スケール・複数層の特徴を同時に抽出 　　高解像度で切り刻んで見た “局所パッチの特徴”を、元の空間配置を保ったまま、 1枚の高解像度特徴マップに “復元” その際重なり部分は HAN窓で滑らかにして戻す。 ●効果 単一スケールでは消える小物体・局所構造を保持 “何があるか ”を正確に捉える視覚表現を回復 手法 (3/4): マルチスケール視覚表現による“見る力”の回復
 👉低解像度で全体を見つつ、高解像度を“切り刻んで”何度も見直し、 
 　　それらを同じ座標系に戻して統合する 
 

●課題（Visual Forgetting） 既存RS-VLMでは、視覚トークンを一度だけLLMに入力 生成が進むにつれ、表現が言語側に引きずられ細かな視覚情報が失われる ●基本アイデア 視覚情報を「一度渡して終わり」にしない 視覚特徴を言語生成の途中でも参照・更新 する ●視覚特徴の融合（ Fusion） マルチスケールで得られた局所特徴群から現在の文脈に必要な詳細のみを選択 Global 特徴と Local 特徴を結合し、LLM空間へ射影 ●再注入（ Injection） 融合された視覚特徴をLLMの複数中間層（例： 2 / 4 / 6 / 8層）に繰り返し注入 Router：どの視覚詳細を使うかを選択 Gate：どれだけ言語表現に反映するかを制御 ●効果 言語生成の最後まで視覚的根拠を保持 小物体・数・位置関係に関するより正確な記述・ VQA応答が可能 手法 (4/4): 視覚特徴の融合と再注入による「忘れない」言語生成
 👉「LLMの推論が進んでいる途中で、“今この文脈に必要な視覚情報だけ”を選び直して、何度も思い出させる仕組み
 通常VLM →　最初に画像を見せたら、あとは言語だけで考える MF-RSVLM →　考えてる途中で、何度も 画像の細部を確認し直す 
 
 

17 実験 This image was generated by ChatGPT 

実験(1/4): 実験設定 
 18 ●評価タスク（ 3系統） [1]. VQA（質問応答）[2]. Scene Classification（シーン分類）[3]. Image Captioning（キャプション生成） ●評価データセット & 指標 *VQA：RSVQA-LRBEN（Presence / Comparison）＋ VRSBench VQA（9カテゴリ） 指標：Accuracy（RSVQAはPresence/Comparison/Avg、VRSBenchはサブタイプ平均） *Classification：AID / WHU-RS19 / NWPU-RESISC45 / SIRI-WHU / EuroSAT / METER-ML / fMoW 指標：Top-1 Accuracy（各データセット＋マクロ平均） *Captioning：UCM-Captions / RSICD / RSITMD / NWPU-Captions / Sydney-Captions / VRSBench-Cap 指標：BLEU-4 / METEOR / CIDEr / ROUGE-L ●学習条件（計算資源・スケジュール） *Pretraining：VersaD、8×A6000、1 epoch、bs=12/GPU、lr=2e-5（約42時間） *SFT：multi-scale sliding window + HDA有効化、CLIP encoder固定（入力336×336）、 更新対象＝MLP/ルーティング&ゲート&融合/Vicuna-7B *293K instruction corpus、2 epoch、bs=6/GPU、lr=2e-5（約38時間、画像は主に≤800×800） ●比較モデル（公平比較のため 3グループ） *Closed-source VLM：Claude-sonnet-4 / Gemini-2.0 / GPT-5 *Open-source VLM：MiniGPT-v2、InstructBLIP、LLaVA-1.5-7B、Qwen2.5-VL-7B、InternVL(2.5/3.5)、Phi-3.5-Vision、MiniCPM-V-2.6 など *Remote-sensing VLM：VHM / SkySenseGPT / EarthDial / GeoChat / GeoLLaVA-8K 👉狙い：VQA/分類/キャプションの3系統で、汎用VLM・商用VLM・RS特化VLMと同じ土俵で比較する。 

実験(2/4): 実験結果 
 19 VQA（VRSBench / RSVQA） * 9種類の知覚タスク（Category / Existence / Position / Quantity / …）で評価 * 平均精度 65.76% で全モデル中トップ - 最強の Open-source VLM（GLM-4.1V-thinking）を +4.93% 上回る - 商用VLM（Claude-sonnet-4）を +3.67% 上回る * RS特化モデルとの差が顕著 - VHM 比 +14.25% - SkySenseGPT 比 +21.06% *特に Position / Existence / Category で大幅改善 → 細粒度の視覚情報を保持できていることを示唆 Image Captioning（5データセット） * UCM-Captions / RSICD / RSITMD / NWPU / Sydney で評価 * UCM-Captions と Sydney-Captions で新SOTA - BLEU / METEOR / CIDEr / ROUGE-L の全指標で大幅向上 * 他データセットでも METEOR・ROUGE-L は最上位クラス * multi-scale feature injection により色・数・方向などの 具体性が高い記述を生成 Scene Classification（7データセット） * 平均 Top-1 Accuracy = 74.51%（全体1位） - 最強RS特化モデル（LHRS-Bot）比 +2.68% -最強汎用VLM（InternVL 3.5）比 +11.73% * AID / SIRI-WHU などで特に改善 → グローバル文脈＋局所構造の両立が有効 VQA / Captioning / Classification の全系統でトップ性能 汎用VLMにも RS特化VLMにも 一貫して勝つ 改善の源泉は 👉 multi-scale 特徴抽出 + LLMへの段階的注入 

実験(3/4): 解析(アブレーションと例) 
 20 ① LLMへの視覚特徴注入は「深さ」が重要 視覚特徴を LLMの複数層（2/4/6/8）に段階的に注入すると性能が最大化 浅い層のみ注入より、全タスクで一貫して精度向上 例：METER-ML 66.37% → 72.74%（+6.37%） →視覚情報の“忘却”を防ぎ、推論の安定性が向上 ② Multi-scale（窓サイズ×ViT層）の組み合わせが効く Dual-window（336 + 168）＋ ViT層 8/16/24 が最良 Single-windowにすると 全データセットで性能低下 METER-ML：−8.85% AID：−4.57% HR-Comp：−8.00% 平均で +5.78% の改善　→ 大域文脈と局所構造は補完関係 ③ Fine-tuningは「短すぎると効かない」 1 epoch のSFTでは、提案モジュールの効果が十分に出ない Full fine-tuning により大幅改善 Classification：AID +6.07%, SIRI +8.04% VQA（Image）：+11.69% → multi-scale & injection は“十分な最適化”が前提 ④ 定性的にも「数・位置・存在」を正確に把握 Category / Existence / Counting で 他モデルは曖昧 or 誤答 本手法は正しいカテゴリラベル ,橋の存在数,車両の正確な台数を一貫して回答 → 細粒度視覚情報が推論まで保持されている 👉効いた理由は3つ LLMの深層まで視覚特徴を注入 multi-scale × multi-layer の設計 十分な fine-tuning ⇒ 「見る力」を最後まで失わないVLM 

実験(4/4): 定性的な結果と比較 
 21 画像の主要な自然地形は何？　　　　　橋は2本以上ある？　　　　　　　　車両は何台？　 　　
 

22 まとめ This image was generated by ChatGPT 

まとめ
 23 ●結論 * MF-RSVLM：Remote Sensing 向け Multi-scale Feature Fusion VLM * 課題設定：小構造の見落としと visual forgetting を同時に解決 * 手法： - Multi-scale 特徴抽出で 大域＋局所 を保持 - Recurrent 注入で 視覚情報を最後まで維持 * 成果：VQA / Captioning / Classification で SOTA * 示唆：Multi-scale fusion は RS-VLM設計の有効原則 * 位置づけ：RS Vision–Language の 統一基盤モデル候補 ●制約と今後の展望 * 制約：Localization 精度は相対的に低下 * 原因仮説：multi-scale 注入が座標対応を阻害 * 今後：task-aware なスケール選択と Localization 特化設計 

24 参考文献 This image was generated by ChatGPT 

● Soni, S., et al. (2025). EarthDial: Turning Multi-sensory Earth Observations to Interactive Dialogues. 
 Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 
 arXiv:2412.15190. https://arxiv.org/abs/2412.15190 ● Yunkai Dang et al. (2025) FUSE_RSVLM: Feature Fusion Vision-Language Model for Remote Sensing.
 arXiv:2512.24022. https://arxiv.org/pdf/2512.24022
 ● Klemmer et al., 2023. SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery. 
 arXiv:2311.17179. https://arxiv.org/pdf/2311.17179
 ● Radford, A., et al. (2021) Learning Transferable Visual Models From Natural Language Supervision. Proceedings of the International Conference on Machine Learning (ICML) arXiv:2103.00020. https://arxiv.org/pdf/2103.00020 参考文献