2025_NIPS_Recognition through Reasoning: Reinforcing Image Geo-localization with Large Vision-Langua

一、文章主要内容总结

本文针对图像地理定位任务中现有方法可解释性不足、数据集场景单一、模型推理能力有限等问题，提出了一套以推理为核心的解决方案，核心内容包括：

1. 问题背景：传统图像地理定位方法（分类、检索式）依赖海量数据训练，缺乏推理过程的可解释性；基于大型视觉语言模型（LVLMs）的方法虽具备推理潜力，但受限于场景单一的数据集和效果有限的有监督微调（SFT），泛化能力不足。
2. 核心方案：
   • 构建了推理导向的地理定位数据集 MP16-Reason：基于MP-16数据集扩展，整合多样化社交媒体图像，通过多模型知识蒸馏生成定位可行性评估、推理轨迹和预测位置，并经多维度验证（视觉-语义一致性、跨模型一致性）过滤噪声。
   • 提出模型 GLOBE：采用基于组相对策略优化（GRPO）的强化学习框架，设计三个任务特定奖励（定位可行性奖励、视觉接地一致性奖励、地理定位准确性奖励），联合优化模型的推理能力与定位精度。
3. 实验结果：GLOBE在MP16-Reason-Test、IM2GPS3K等多个基准数据集上，超越现有开源LVLMs，在多样化场景（室内、自然、城市）中表现出更强的泛化能力，同时生成可解释、视觉接地的推理轨迹。