FUSAR-R1: 一种面向SAR图像智能解译的大规模推理模型

# FUSAR-R1：面向SAR图像智能解译的大规模推理模型  
来源：https://arxiv.org/html/2607.16819  

Yi Yang, Xiaokun Zhang, Yuxuan Li, Ruyi Zhang, Xinpeng Zhou, Haipeng Wang  
Yi Yang, Xiaokun Zhang, Yuxuan Li, Ruyi Zhang, Xinpeng Zhou, and Haipeng Wang 均就职于复旦大学电磁波信息科学教育部重点实验室（上海 200433）。（通讯作者：Haipeng Wang。）  

###### 摘要  
近年来，大规模视觉-语言模型正推动着遥感图像智能解译领域的范式转变。通过引入文本语义信息，解译模型的认知表达、语义理解以及人机交互能力得到了显著提升，并在合成孔径雷达（SAR）图像解译领域取得了初步进展[bao2005radar, xu2024microwavevision]。然而，SAR图像受相干成像机制、复杂散射特性、散斑噪声干扰以及目标-背景耦合等因素影响，图像特征复杂多变，具有显著的不确定性和专业性。现有的SAR视觉-语言模型尚不具备人类专家那样的逐步分析、逻辑判断和自我纠错能力，难以在复杂场景下支撑可靠的智能解译。针对这一问题，本文提出了一种面向SAR图像智能解译的大规模推理模型——FUSAR-R1。该模型首先通过模拟人类专家的解译过程构建显式的思维链（CoT）推理数据，并利用这些数据指导指令学习，从而赋予模型基础的推理能力。随后，引入强化学习策略，基于推理结果优化模型输出，实现自我纠错和更可靠的推理。实验结果表明，FUSAR-R1在多种SAR解译任务（包括目标检测、目标计数与分类、土地覆盖类别识别）中均持续优于现有的多模态大规模模型。  

## I. 引言  
合成孔径雷达（SAR）作为一种主动式微波遥感成像技术，具备全天候、全天时和远距离观测能力。它能在云、雾、雨、雪以及夜间等复杂条件下稳定获取地表信息，已广泛应用于军事侦察、海洋监测、灾害评估、资源调查和城市管理等重要领域。随着高分辨率、多极化、多模式SAR传感器的快速发展，SAR图像数据量持续增长，观测场景日益复杂，这对自动化、智能化和可靠的解译技术提出了更高要求。传统的SAR图像解译方法主要依赖人类专业知识、物理模型或人工设计的特征[5 (https://arxiv.org/html/2607.16819#bib.bib5)]，在特定场景下能够表现出色。然而，当应用于类别多样、背景复杂的大规模数据集时，这些方法往往存在泛化能力有限、过度依赖人工干预以及跨场景适应性不足等问题。为了克服这些局限，深度学习方法被广泛引入SAR图像智能解译，显著提升了目标检测、目标分类、地物分割和场景识别等任务的性能[4 (https://arxiv.org/html/2607.16819#bib.bib7)]。然而，SAR图像与光学遥感图像不同，其成像结果由电磁波与地物之间的复杂散射相互作用决定，常出现散斑噪声、几何畸变、强离散散射分布、阴影遮挡以及目标-背景耦合等现象[15 (https://arxiv.org/html/2607.16819#bib.bib8),1 (https://arxiv.org/html/2607.16819#bib.bib9)]。这些因素导致SAR图像中目标外观不稳定、语义信息稀疏，从而增加了特征提取、目标识别和场景理解的难度。尤其在弱目标、密集目标和复杂背景场景中，仅依赖端到端视觉判别的模型不足以充分解释目标的散射特性、空间结构和地理语义关系。因此，SAR图像的智能解译正逐步从传统的“感知与识别”阶段，向更高层次的“语义认知”和“逻辑推理”演进。未来的SAR解译模型不仅需要具备稳定的视觉特征感知能力，还必须能够综合分析成像机制、空间尺度、地理背景和任务语义，从而生成更准确、可解释且可靠的解译结果。  

近年来，大规模视觉-语言模型的发展为遥感图像智能解译提供了一条新的技术路径。通过融入自然语言语义信息，这类模型不再仅仅输出类别标签、边界框或分割图，而是能够生成关于目标属性、场景关系和解译结果的文本描述，从而显著增强了语义表达能力与人机交互能力。在SAR图像解译领域，现有研究已开始探索SAR图像与文本语义之间的跨模态对齐，使模型能够执行图像描述、目标计数、视觉问答和空间定位等任务[17 (https://arxiv.org/html/2607.16819#bib.bib10),11 (https://arxiv.org/html/2607.16819#bib.bib11),19 (https://arxiv.org/html/2607.16819#bib.bib12)]。然而，现有的大部分SAR视觉-语言模型仍主要聚焦于图像-文本匹配、语义生成或指令遵循。它们的输出通常直接面向最终答案，而缺乏对散射机制、目标结构、空间关系和地理背景的显式建模。因此，让模型不仅能“提供答案”，还能“解释推理过程、进行逐步推断并自我纠正错误”，已成为SAR图像智能解译进一步发展的关键挑战。  

与此同时，人工智能（AI）领域也正经历从生成式AI向推理导向型AI的转变。大规模推理模型，如 OpenAI o1[12 (https://arxiv.org/html/2607.16819#bib.bib13)] 和 DeepSeek-R1[2 (https://arxiv.org/html/2607.16819#bib.bib1)] 表明，通过引入长链推理、结果反馈和基于强化学习的优化，模型能够分解复杂问题、逐步推理并在产生最终输出前进行自我纠正，从而提升复杂任务中的逻辑一致性和结果可靠性。这一范式也开始影响遥感智能解译研究，一些推理导向型模型尝试通过显式的思维链监督和强化学习策略来增强空间定位、目标计数以及基于指代的表示理解能力[10 (https://arxiv.org/html/2607.16819#bib.bib16)]。然而，现有研究主要聚焦于光学遥感图像，其推理过程围绕空间位置、语义关系和视觉上下文展开。对于SAR图像而言，可靠的解译还必须融入电磁散射机制、散斑噪声、阴影结构、目标尺度以及地理先验等专业知识。因此，构建一个融合思维链推理、强化学习优化以及SAR成像物理特性的大规模推理模型，是实现高可靠SAR智能解译的关键方向。  

然而，构建用于SAR图像智能解译的大规模推理模型仍面临诸多挑战。（1）SAR图像解译过程尚未被充分建模为可靠且显式的推理流程。尽管现有的SAR视觉-语言模型能够执行图像描述、目标计数、视觉问答和空间定位等任务，但其核心能力仍主要体现在图像-文本语义对齐和指令遵循上，通常直接从输入图像生成最终答案。对于SAR图像而言，目标解译并非简单的视觉特征匹配过程，而是需要综合分析强散射亮点、阴影结构、边缘响应、目标尺度、方位关系以及地理背景等多方面线索。因此，构建一个专门针对SAR成像特性和目标解译逻辑的推理框架，使模型能够按照“观察线索 → 物理分析 → 空间验证 → 结论生成”的过程进行显式推理，是需解决的首要关键挑战。（2）缺乏高质量思维链数据来支撑SAR推理学习。现有大多数SAR图像数据集仅提供面向结果的标注，如类别、位置、数量或简短的文字描述。尽管这些标注能够支持模型学习图像与答案之间的映射关系，但不足以捕捉专家在解译SAR图像时所遵循的中间分析过程。缺乏结构化的思维链数据，模型往往停留在浅层的语义匹配阶段，难以学习“遵循哪些线索、以何种顺序得出结论”的专家解译范式。（3）缺乏针对SAR推理过程的反馈优化与自我纠错机制。虽然思维链监督可以在一定程度上引导模型生成中间推理过程，但其本质上仍是对专家语料分布的模仿学习。在复杂场景下，模型仍可能出现推理幻觉、逻辑冗余、物理证据不足或结论错误等问题。对于SAR图像，目标常受散斑噪声、旁瓣响应、强散射背景、遮挡以及目标-背景耦合等因素影响。模型不仅需要判断最终答案是否正确，还需确保推理路径符合电磁散射机制、尺度约束和空间语义关系。（4）缺乏面向多任务SAR解译的统一推理优化机制。SAR智能解译任务并不仅限于单目标识别，而是涉及目标级定位、目标计数、类别分类、场景语义理解以及区域比例估计等多种任务形式。当使用单一奖励函数进行优化时，难以兼顾不同任务的目标，也无法有效约束模型在多任务场景下生成结构一致、语义正确且空间连贯的推理结果。  

受上述研究启发，本文针对SAR图像目标解译任务做出以下主要贡献：（1）提出了一种面向SAR图像智能解译的大规模推理模型 FUSAR-R1。该模型以显式推理为核心，将SAR图像解译过程从传统的端到端结果预测扩展为可解释的逻辑推理过程，使模型能够围绕目标散射特性、空间结构、尺度信息和地理环境进行逐步分析，从而提升复杂场景下解译结果的可靠性。（2）构建了SAR解译思维链数据集：设计了一套结构化的思维链数据构建流程，为模型提供了从SAR图像到目标属性（类别、数量、位置）的完整推理路径。（3）设计了强化学习驱动的推理优化机制：在思维链冷启动训练基础上，引入强化学习策略，通过任务反馈约束模型的推理过程，引导模型自主纠正推理偏差，持续优化思维链的质量和解译的可信度。（4）本文设计了面向多任务SAR解译的统一奖励函数。针对目标检测、目标计数与类别识别、土地覆盖分类以及区域理解等不同任务格式，从格式奖励、目标检测奖励、目标计数与类别匹配奖励以及土地覆盖分类奖励四个方面构建多任务奖励机制，使模型在强化学习过程中同时受到输出结构、空间定位、目标属性和场景语义等多维反馈信号的约束，从而提升FUSAR-R1在多任务SAR解译场景下的推理稳定性和结果可靠性。  

## II. 相关工作  
### II-A. 遥感领域视觉-语言模型研究  
近年来，视觉-语言模型在自然图像理解方面取得了显著进展。通过联合建模视觉和文本模态，这些模型将视觉特征映射到语义语言空间，为开放词汇识别、图像描述、视觉问答和人机交互等任务提供了新的范式。受这些进展的启发，遥感界也开始探索跨模态语义对齐、视觉指令理解以及开放世界场景解译。与主要输出类别标签、边界框或分割图的传统遥感模型不同，遥感领域的视觉-语言模型能够利用自然语言描述土地覆盖类别、空间关系、场景功能和区域属性，从而显著增强语义表达能力和对开放集任务的适应性。在图像-文本对齐方面，RemoteCLIP[8 (https://arxiv.org/html/2607.16819#bib.bib14)] 借鉴了对比语言-图像预训练（CLIP）的对比学习方法，利用公开遥感数据集中的类别标签构建模板化文本描述，将原本的类别监督转化为图像-文本对齐信号，从而增强了遥感视觉表征的开放类别迁移能力。SkyScript[16 (https://arxiv.org/html/2607.16819#bib.bib23)] 进一步利用OpenStreetMap的地理语义信息，自动为大规模光学遥感图像生成细粒度的文本描述，缓解了遥感图像-文本配对数据不足的问题，提升了图像-文本对齐的规模和语义丰富度。