ReVA: A Scene-Centric Dataset Beyond Repetition for Remote Sensing Video Question Answering

📄 arXiv: 2609.35507v1 📥 PDF

作者: Zhen Yao, Likai Wang, Yuming Yang, Zhihao Zheng, Bo Lang, Qiuyu Tang, Jialu Sheng, Jingqi Xu, Yuehai Yang, Jumal Barker, Xiaowen Ying, Mooi Choo Chuah

分类: cs.CV

发布日期: 2026-09-28

🔗 代码/项目: GITHUB

💡 一句话要点

提出ReVA数据集以解决遥感视频问答中的重复性和静态性问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 遥感视频问答 多模态语言模型 时空推理 无人机视频 数据集构建 半自动注释 问题生成 人工验证

📋 核心要点

  1. 现有遥感视频问答方法依赖模板驱动的问题，导致问题重复且无法有效评估视频推理能力。
  2. 本文提出ReVA数据集，包含大量无人机视频和高质量问答对，旨在评估多模态语言模型的时空推理能力。
  3. 通过对23个视频LLMs的评估，揭示了当前模型的局限性，为未来的研究提供了重要基准。

📝 摘要（中文）

多模态大型语言模型（MLLMs）在遥感领域取得了显著进展。然而，现有的遥感多模态推理基准存在两个关键局限性：一是依赖模板驱动的问题，导致问题重复；二是使用静态图像，无法捕捉无人机视频的时间特性。为填补这一空白，本文提出了ReVA，一个新的遥感视频问答数据集，旨在评估MLLMs的时空、场景中心和推理能力。ReVA包含2438个无人机视频，覆盖全球18个城市（580K帧）和22000个高质量问答对，涵盖11个具有挑战性的问答任务。我们开发了一种半自动注释流程，利用文本LLMs和MLLMs生成问题和答案，并进行人工验证。我们在ReVA上评估了23个专有和开源的视频LLMs，揭示了当前模型的基本局限性。这些发现使ReVA成为更好地理解遥感视频和提升时间推理能力的重要基准。

🔬 方法详解

问题定义：本文旨在解决现有遥感视频问答方法中存在的重复性问题和静态图像无法捕捉视频时间特性的问题。现有方法未能系统性地评估遥感视频推理能力。

核心思路：提出ReVA数据集，设计为场景中心的问答任务，包含丰富的无人机视频和多样化的问题，以全面评估多模态语言模型的推理能力。

技术框架：ReVA数据集由2438个无人机视频和22000个问答对组成，采用半自动注释流程，结合文本LLMs和MLLMs生成问题和答案，并进行人工验证。

关键创新：ReVA是首个专注于遥感视频问答的动态数据集，突破了传统静态图像的限制，提供了更具挑战性的问答任务。

关键设计：在数据集构建中，采用了多样化的问题类型和场景，确保问答对的高质量和多样性，同时利用先进的LLMs进行问题生成和验证。通过这种设计，提升了数据集的实用性和研究价值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在对23个视频LLMs的评估中，ReVA揭示了当前模型在处理复杂时空推理任务时的基本局限性，提供了重要的基准数据。这些实验结果为未来模型的改进和优化提供了方向。

🎯 应用场景

ReVA数据集的潜在应用领域包括遥感监测、环境变化分析、城市规划等。通过提升遥感视频的理解和推理能力，ReVA能够为实际应用提供更准确的信息支持，推动相关领域的研究和技术进步。

📄 摘要（原文）

Multimodal Large Language Models (MLLMs) have demonstrated remarkable advances in remote sensing. However, existing remote sensing multimodal reasoning benchmarks exhibit two critical limitations: they rely on (i) template-driven questions, which causes repetitive questions; and (ii) static images that fail to capture the inherent temporal nature of drone/UAV videos. This leaves systematic evaluation of remote sensing video reasoning largely unexplored. To address this gap, we introduce ReVA, a new dataset for remote sensing video question answering, designed to assess spatiotemporal, scene-centric, and reasoning-oriented capabilities of MLLMs. ReVA comprises 2,438 drone videos spanning 18 cities worldwide (580K frames) and 22K high-quality question-answer pairs across 11 challenging QA tasks. We develop a semi-automatic annotation pipeline that leverages Text LLMs and MLLMs for question-answer generation with human verification. We evaluate 23 proprietary and open-source Video LLMs on ReVA, exposing fundamental limitations of current models. These findings position ReVA as a critical benchmark toward better remote sensing video understanding and temporal reasoning capabilities for real-world deployments. Our code and dataset are available at: https://github.com/zyaocoder/ReVA