チームXiaomi EV-AD VLA：キャプション誘導検索システムによるクロスモーダルドローン航法

- 本論文は、自然言語記述に基づき大規模データベースから関連画像を検索する cross-modal drone navigation の課題に取り組む。 - RoboSense 2025 Track 4 challenge を対象とし、drone・satellite・ground camera をまたぐ cross-view image retrieval を扱う。 - 提案手法は Caption-Guided Retrieval System (CGRS) と呼ばれる二段階の retrieval refinement 手法。 - baseline の coarse ranking を VLM 生成 caption により rerank する構成。

- 既存 baseline は初期検索には有効だが、text query と visual content の fine-grained semantic matching が苦手で、複雑な aerial scene で課題がある。 - CGRS は baseline の coarse ranking をそのまま使わず、VLM で候補画像の詳細 caption を生成して再ランキングする点が新しい。 - 結果として全主要指標 (Recall@1, Recall@5, Recall@10) で一貫して 5% 改善。 - challenge で TOP-2 を受賞し、実世界の robotic navigation での実用性を示した。

- 第一段階で baseline model を用い、各 query に対し top 20 の候補画像を coarse ranking として取得。 - 第二段階で Vision-Language-Model (VLM) を用い、候補画像それぞれの詳細 caption を生成。 - 生成 caption を multimodal similarity computation framework に投入し、元の text query との fine-grained reranking を実施。 - caption を介して visual content と natural language description の semantic bridge を構築するのが肝。

- RoboSense 2025 Track 4 challenge の設定で評価を実施。 - baseline と比較し、Recall@1, Recall@5, Recall@10 の全 key metrics で一貫した 5% 改善を確認。 - challenge において TOP-2 を獲得したことが有効性の実証として示されている。 - 詳細なデータセット構成や ablation の有無は要旨からは不明。

- 提案手法は baseline の coarse ranking に依存する二段階構成であり、初期検索の品質が最終性能に影響し得る点は要旨からは不明。 - VLM による caption 生成の計算コストや遅延、real-world robotic navigation での運用上の制約は要旨からは不明。 - 複雑な aerial scene での fine-grained matching 改善が主張されているが、失敗ケースや限界の議論は要旨からは不明。 - TOP-2 という結果の要因分析や他チームとの比較詳細は要旨からは不明。

- 要旨で直接参照されている baseline 手法 (RoboSense 2025 Track 4 の baseline model) の原論文。 - Vision-Language-Model (VLM) を用いた caption 生成・image-text retrieval の関連研究。 - cross-view image retrieval (drone・satellite・ground camera 間) の代表的手法。 - multimodal similarity computation や reranking に関する情報検索分野の定番手法。