DialogueVPR：迈向对话式视觉地点识别
受人类交流空间信息的方式启发，语言引导的地理定位因其直观和实用价值而备受关注。然而，现有方法多依赖静态的一次性检索范式，难以处理真实世界自然语言描述中的歧义和不完整性。本文提出推理检索的范式转变，引入对话式地点识别（DlgPR），将定位视为交互式、对话驱动的推理过程。为此，论文构建了首个大规模对话式地点识别基准DlgQuest-Cities，并提出了统一推理框架，结合跨模态多级检索器与智能提问器DQ-pilot。DQ-pilot通过课程学习训练：在DQ-cities-20k子集上进行监督微调，再通过GRPO在更难的DQ-cities-10k上进行强化优化。实验表明，基于推理的方法显著优于基线。
受人类交流空间信息的自然方式启发，语言引导的地理定位近年来取得了显著进展。然而，现有的视觉地点识别方法大多采用静态的一次性检索范式：给定一段自然语言描述，从数据库中直接匹配图像。这种范式难以应对真实世界描述中常见的歧义、不完整或模糊表达。例如，用户可能说“我前面有一栋红色大楼”，但这一描述可能对应多个地点。为了解决这一问题，来自多所机构的研究人员提出了推理检索的范式转变，并引入了对话式地点识别（Dialogue Place Recognition, DlgPR），将定位重塑为一个交互式、对话驱动的推理过程。
为了支持这一新任务，团队发布了目前最大的对话式地点识别基准数据集DlgQuest-Cities。该数据集包含大量来自不同城市的地理位置、图像与人机对话数据，为评估基于对话的定位提供了标准平台。同时，论文提出了一个统一的推理框架，该框架耦合了一个跨模态多级检索器与一个名为DQ-pilot的智能提问器。DQ-pilot的独特之处在于其训练方式：首先在精心筛选的DQ-cities-20k子集上进行监督微调，使其具备基础的提问能力；随后，通过在更困难的DQ-cities-10k子集上使用GRPO（一种基于群体相对策略优化的强化学习方法）进行优化，进一步提升其在复杂场景下的决策能力。
为了指导学习过程，论文设计了两项任务对齐的指标：判别难度指数（DDI）用于课程学习中的样本排序，位置检索增益（PRG）作为奖励函数直接衡量提问所带来的检索性能提升。实验结果表明，这种基于推理的方法在多个指标上显著优于传统的静态检索基线，展示了对话式推理在复杂地理定位任务中的巨大潜力。所有代码和模型已开源，为相关领域的研究者提供了宝贵的资源。