知识卡片：MonoIR-RS：面向红外遥感视觉-语言学习的CLIP和VLM适配

一句话结论：MonoIR-RS是一个大规模红外遥感视觉-语言数据集与基准，通过CLIP风格对比适应和VLM指令微调，显著提升了模型对红外图像的理解能力，使VLM描述中红外线索覆盖率达到100%，RGB颜色泄漏降至近零。

事件概述或研究问题
红外遥感图像能捕捉强度结构、目标-背景对比度及不受光照影响的线索，而这些在RGB图像中常不可见。然而，现有的遥感视觉-语言资源与模型大多聚焦于可见光波段，红外遥感视觉-语言理解仍未被充分探索。MonoIR-RS旨在填补这一空白，提供一个受控、可复现的测试平台，将红外模态与语言对齐。

方法/产品要点

• 数据集构建：从与FusionRS相同的源池和划分中构建，生成60万张合成红外图像，并保留59,032条红外感知描述记录。模型实验使用该保留的语言监督子集，其描述围绕灰度结构和红外风格对比度（而非RGB外观）重新编写。
• 合成红外图像在AVIID基准上被证明比灰度转换更接近真实热红外图像。
• 微调了5个CLIP骨干网络和6个VLM骨干网络，并对比零样本行为进行校准。

主要结果或产业意义

• 红外感知适配使CLIP平均召回率提升高达12.8个百分点。
• VLM描述中红外线索覆盖率达到100%，同时残留的RGB颜色泄漏降至接近零。
• 通过将红外模态从RGB-IR双模态学习中分离出来，MonoIR-RS为红外遥感证据与语言的对齐提供了可控、可复现的测试平台，对夜间、恶劣天气等场景下的遥感智能应用具有潜在价值。

为什么重要
红外遥感在不依赖可见光的条件下提供关键信息，但此前缺乏专门的视觉-语言数据集与模型评估。MonoIR-RS首次大规模地将红外图像与语言监督协同，并证明了针对红外特性的适配能显著提升模型性能，推动了遥感多模态理解在红外领域的进展。

局限与不确定性

• 材料未明确提及局限。待核实：合成红外图像与真实红外图像之间仍存在差异，真实场景下的泛化能力尚需进一步验证；数据集规模（约6万条描述记录）是否能覆盖所有典型红外遥感场景有待评估。

可用于图书/PPT/简报的角度

• 强调红外遥感在夜间、烟雾、伪装等RGB失效场景下的独特优势。
• 以“MonoIR-RS如何让AI学会‘看见’红外图像中的结构特征”为切入点，展示CLIP和VLM在单一模态上的自适应能力。
• 对比零样本与微调后的性能提升，直观体现领域适配的重要性。

原始材料

• 论文标题：MonoIR-RS: Infrared Remote Sensing Vision-Language Learning with CLIP and VLM Adaptation
• arXiv ID：2607.06552v1
• URL：https://arxiv.org/abs/2607.06552v1
• 关键词：infrared remote sensing, vision-language learning, CLIP, VLM, dataset, benchmark