LocationAgent: Hierarchischer Bild-Geolokalisierungsagent mit externer Evidenzprüfung

Die Aufgabe der Bild-Geolokalisierung besteht darin, den Aufnahmeort eines Fotos allein anhand seines visuellen Inhalts zu bestimmen. Dabei muss ein Modell nicht nur räumliches Wissen besitzen, sondern auch in der Lage sein, seine Hypothesen systematisch zu prüfen – ein Prozess, der aus wiederholten Hypothesen‑Verifikationszyklen besteht. Traditionelle Ansätze verpacken dieses Wissen in statische Speicher, wodurch sie anfällig für Faktenfehler und eingeschränkte Generalisierung in offenen Welten werden.

Um diese Schwächen zu überwinden, präsentiert die neue Arbeit den LocationAgent, einen hierarchischen Agenten, der die logische Struktur des Denkens beibehält, während die Überprüfung geografischer Beweise an externe Werkzeuge delegiert wird. Im Kern steht die RER‑Architektur (Reasoner‑Executor‑Recorder), die Rollen trennt und Kontext komprimiert, um das typische Drift‑Problem bei mehrstufigen Argumentationen zu verhindern.

Zur Beweisverifikation stellt der Agent eine Reihe von „Clue‑Exploration‑Tools“ bereit, die vielfältige Hinweise liefern, die die Standortschätzung stützen. Zusätzlich wurde der CCL‑Bench – ein Benchmark für chinesische Städte – eingeführt, um Datenlecks zu vermeiden und die Leistungsfähigkeit in Szenarien mit begrenzten chinesischen Daten zu testen. Dieser Benchmark umfasst unterschiedliche Szenengrößen und Schwierigkeitsgrade.

Umfangreiche Experimente zeigen, dass der LocationAgent die bestehenden Methoden deutlich übertrifft. Durch die Kombination von hierarchischem Denken und externer Evidenzprüfung erreicht er eine höhere Genauigkeit und bessere Generalisierung, insbesondere in offenen und dynamischen Umgebungen. Diese Ergebnisse markieren einen wichtigen Fortschritt in der Bild‑Geolokalisierung und eröffnen neue Möglichkeiten für Anwendungen, die präzises Ortswissen erfordern.