摘要——视觉语言建模（Vision-Language Modeling, VLM）旨在弥合图像与自然语言之间的信息鸿沟。在先进行大规模图文对预训练、再在任务数据上进行微调的全新范式下，遥感领域中的VLM取得了显著进展。所产生的模型得益于广泛通用知识的融入，在多种遥感数据分析任务中展现出强大的性能。此外，这些模型还具备与用户进行对话式交互的能力。

本文旨在为遥感领域的研究者提供一份及时且全面的综述，系统回顾基于该两阶段范式的VLM研究进展。具体而言，我们首先对遥感中的VLM进行分类梳理，包括对比学习、视觉指令微调以及文本条件图像生成。针对每一类方法，我们详细介绍了常用的网络结构与预训练目标。

其次，我们对现有研究进行深入评述，涵盖对比学习类VLM中的基础模型与任务适配方法，指令微调类VLM中的架构改进、训练策略与模型能力，以及生成式基础模型及其代表性的下游应用。

第三，我们总结了用于VLM预训练、微调与评估的数据集，分析其构建方法（包括图像来源与描述生成方式）与关键属性，如数据规模与任务适应性。

最后，本文对未来研究方向提出若干思考与展望，包括跨模态表示对齐、模糊需求理解、基于解释的模型可靠性、持续扩展的模型能力，以及具备更丰富模态与更大挑战的大规模数据集。

关键词——遥感，视觉语言建模，对比学习，视觉指令微调，扩散模型

一、引言

遥感中的视觉语言建模（Vision-Language Modeling, VLM）旨在弥合遥感图像与自然语言之间的信息鸿沟，促进对遥感场景语义（如地物属性及其关系）的深入理解，并实现与智能遥感数据分析模型或方法的更自然交互方式 [17]，[164]。自从遥感领域引入图像描述 [62]、视觉问答 [54]、文本-图像（或图像-文本）检索 [166] 以及基于文本的图像生成 [165] 等任务以来，受益于深度学习的发展，VLM在遥感领域取得了显著成果。

早期的VLM研究主要强调模型结构的精心设计，并通过从零开始在小规模数据集上进行监督训练。例如，在图像描述任务中，许多研究 [167]–[170] 试图将卷积神经网络（如VGG [171]和ResNet [172]）与序列模型（如LSTM [173]和Transformer [174]）有效结合，并在UCM-captions [62]与Sydney-captions [62]等数据集上进行训练。在这一经典的构建范式下，深度模型通常在测试集上表现良好，但在大规模部署中效果欠佳。此外，尽管这些模型能够描述图像内容，但在处理图像相关问答等任务时能力不足，限制了其在多样化场景中的应用。

近年来，预训练-微调的新范式为上述挑战提供了有前景的解决方案。其核心思想是，首先在大规模图文数据上进行预训练，使模型能够学习涵盖广泛视觉与文本概念及其对应关系的通用知识，然后在特定任务数据上进行微调。已有研究表明，通用知识的融入不仅提升了模型在单一任务中的泛化能力 [7]，[8]，还增强了模型在多种下游任务中的适应性与多样性 [1]，[3]。因此，该新范式下的视觉语言建模已成为遥感领域的研究热点。迄今为止，相关研究取得了显著进展，如图1所示，主要体现在以下几个方面：

1. 基于对比学习的方法（如GeoRSCLIP [7]、SkyCLIP [8]和RemoteCLIP [2]），在跨模态任务与零样本图像理解任务中取得了重要突破；

2. 学习图文间隐式联合分布的方法（如RS-SD [7]、DiffusionSat [38]和CRSDiff [39]），支持通过文本提示生成图像；

3. 视觉指令微调方法（如GeoChat [3]、LHRSBot [9]和SkySenseGPT [11]），在遥感数据分析中表现出更强的性能、多样化的能力与对话交互能力。

尽管已有诸多成果，但VLM仍被公认为一个尚未完全解决的研究难题。目前的模型仍无法达到遥感专家在遥感数据处理方面的水平。为推动该领域进一步发展，已有若干综述论文试图系统梳理遥感中的视觉语言建模。例如，Li等人 [17] 从应用视角出发总结了相关模型，并提出潜在研究方向，但其主要聚焦于视觉基础模型和早期工作；Zhou等人 [16] 则回顾了近期研究进展，但缺乏对关键设计的深入剖析，而这些设计对于未来研究的启发具有重要意义。此外，作为VLM研究的前提条件，相关数据集在现有综述中也未受到充分关注。

因此，本文旨在针对遥感领域中的预训练-微调范式，提供一份及时且全面的文献综述，重点包括：

1. 对遥感VLM方法的分类，详细介绍各类方法中常用的网络结构与预训练目标；

2. 对基于对比、指令与生成三类VLM方法的最新进展进行总结，重点分析其关键设计与下游应用；

3. 对用于预训练、微调与评估的数据集进行梳理，分析其构建方法与关键特性；

4. 讨论当前挑战与未来可能的研究方向。

图2展示了本文的整体框架。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】