マルチモーダル大規模言語モデル（MLLM）は一般的な視覚認識に革命をもたらしたが、航空分野では依然として深刻な幻覚問題に悩まされている。航空画像では、極端なスケール変動や視覚的曖昧さが頻繁に発生する。例えば、対象物が数ピクセルしかない場合や、背景のテクスチャと非常に似ている場合がある。従来の教師あり微調整（SFT）パラダイムでは、モデルは不確実性をモデル化せずに正解ラベルを模倣することを強いられるため、微小または認識困難な物体に対して盲目的な推測を行い、信頼性の低いセグメンテーション結果を出力することが多い。
この課題に対して、研究者らはAerial-R1を提案した。これは、航空推論とセグメンテーションのための視覚推論能力を強化することを目的とした、初の航空MLLMフレームワークである。この研究はDeepSeek-R1の推論促進メカニズムに触発され、信頼できる知覚は異なる視点間の一貫性から生まれることを見出した。これは論理における思考の連鎖（Chain-of-Thought）の視覚的な類似物と見なすことができる。この洞察に基づき、Aerial-R1は静的なアノテーションに単純に依存するのではなく、強化学習によってモデルが異なる視点で一貫した結論を導き出すことを奨励し、知覚の信頼性を向上させる。
非自己回帰的なマスク生成タスクにポリシー最適化を効果的に適応させるため、研究チームはハイブリッドビューグループアドバンテージ重み付き回帰（H-GAWR）を導入した。この戦略は、高解像度ビューと低解像度ビューの動的なグループを構築し、グループ相対アドバンテージ推定とアドバンテージ重み付きポリシー抽出をシームレスに橋渡しする。具体的には、明確な入力に対しては異なるビュー間での合意を求め、曖昧な入力に対しては幻覚出力を厳しく罰する。これにより、Aerial-R1は明示的な拒否メカニズムを発達させる。情報が信頼できる判断を下すには不十分な場合、モデルは強引に推測するのではなく、回答やセグメンテーションを拒否することを選択できる。
航空MLLMの推論と幻覚ロバスト性を体系的に評価するため、著者らはVSAI-Refベンチマークを構築した。これは、密な推論と幻覚ロバスト性を同時に評価する初の航空MLLMベンチマークである。このベンチマークでの大規模な実験により、Aerial-R1はセグメンテーション精度でSFTベースラインを大幅に上回り、低情報シナリオでの致命的な幻覚を大幅に削減することが示された。これは、複雑な航空シーンでのモデル出力の信頼性を高め、信頼できる航空エージェントの構築への道を開くものである。
本論文は2026年10月19日に提出され、16ページ、8図、補足資料を含む。コードはGitHub（https://github.com/phy709/Aerial-R1）で公開されている。著者はJisheng Dangら6名。研究分野はコンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）に属し、arXiv番号は2610.33056である。