GeoSeg：面向遥感图像的免训练推理驱动分割

近期多模态大语言模型（MLLMs）将分割任务从固定类别预测重构为指令驱动的本地化。尽管自然场景中的推理分割进展迅速，但受限于推理导向数据的高昂成本及俯视视角等域特定挑战，遥感领域缺乏通用解决方案。本文提出 GeoSeg，一种零样本、免训练的框架，旨在绕过监督瓶颈实现推理驱动的遥感分割。该框架通过偏差感知坐标修正和双路提示机制，将 MLLM 推理与精确定位相结合。实验表明，GeoSeg 在所有基线方法中表现优异，消融研究证实了各组件的有效性。