RemoteZero: Geospatial Reasoning with Zero Human Annotations

Geospatial reasoning requires models to resolve complex spatial semantics and user intent into precise target locations for Earth observation. Recent progress has liberated the reasoning path from manual curation, allowing models to generate their own inference chains. Yet a final dependency remains: they are still supervised by human-annotated ground-truth coordinates. This leaves the reasoning process autonomous, but not its spatial endpoint, and prevents true self-evolution on abundant unlabeled remote sensing data. To break this bottleneck, we introduce RemoteZero, a box-supervision-free framework for geospatial reasoning. RemoteZero is motivated by a simple asymmetry: an MLLM is typically better at verifying whether a region satisfies a query than at directly generating precise coordinates. Leveraging this stronger discriminative ability, RemoteZero replaces geometric supervision with intrinsic semantic verification and enables GRPO training without box annotations. The resulting framework further supports iterative self-evolution, allowing the model to improve from unlabeled remote sensing imagery through its own verification signal. Experiments show that RemoteZero achieves competitive performance against strong supervised methods, demonstrating the potential of self-verifying training for geospatial reasoning localization.

📋 한 줄 요약

**[지리공간 추론 / 자기진화 학습]** 박스 어노테이션 없이 의미적 자기 검증만으로 지리공간 추론을 학습하는 RemoteZero를 제안해 비라벨 위성 영상에서 자기 진화가 가능하도록 한다.

🎯 핵심 기여도

추론 체인은 자율적이지만 좌표 정답에는 여전히 인간 라벨이 필요한 기존 지리공간 추론의 마지막 의존성을 제거하는 박스 감독 없는 프레임워크 RemoteZero 제안
MLLM이 좌표를 직접 생성하기보다 영역이 쿼리를 만족하는지 검증하는 능력이 더 강하다는 비대칭을 활용한 학습 신호 설계
기하학적 감독을 의미적 자기 검증으로 대체해 박스 어노테이션 없이 GRPO 학습이 가능하도록 함
비라벨 위성 영상에서 자기 검증 신호로 모델이 스스로 진화하는 iterative self-evolution 지원

💡 핵심 아이디어

지리공간 추론에서 모델은 정확한 좌표를 생성하기보다 "이 영역이 쿼리를 만족하는가"를 판단하는 데 더 강하다. 이 판별 능력을 학습 신호로 재활용하면, 좌표 박스 같은 비싼 라벨 없이도 모델이 스스로 좋은 출력을 골라내며 학습할 수 있고, 라벨 없는 위성 영상이 사실상 무한 학습 자원이 된다.

🔬 기술적 접근법

**모델/방법론**: RemoteZero — 박스 감독이 필요 없는 지리공간 추론용 자기진화 학습 프레임워크
**핵심 기법**: MLLM이 후보 영역에 대해 쿼리 만족 여부를 검증한 결과를 보상으로 삼아 GRPO를 학습. 기하학적 ground-truth 좌표 대신 의미적 자기 검증 신호를 사용해 박스 어노테이션을 완전히 제거하고, 비라벨 위성 영상에서도 자기 검증 → 정책 업데이트 루프를 반복해 모델을 점진적으로 개선

📊 주요 결과

박스 라벨이 전혀 없는 환경에서도 강력한 지도학습 베이스라인과 경쟁력 있는 성능 달성
자기 검증 신호만으로 학습이 진행되며 라벨 없는 영상으로 iterative self-evolution이 가능함을 실증
지리공간 추론 위치 추정 영역에서 자기 검증 학습의 잠재력 입증

💭 의의 및 한계

**의의**: 라벨링 비용이 가장 큰 지리공간 도메인에서 박스 의존을 제거함으로써, 위성 영상이라는 거대 비라벨 데이터를 학습 자원으로 활용할 수 있는 길을 열어 자기진화형 지리공간 모델의 실현 가능성을 보인다. **한계**: 자기 검증의 정확도가 모델의 사전 능력과 도메인 분포에 의존하며, 작거나 모호한 객체에 대한 검증 신호의 신뢰도와 누적 오류 가능성에 대한 추가 분석이 필요하다.

🚀 실용적 활용

박스 라벨이 부족한 신규 지역·신규 카테고리 위성 영상 분석
재난·환경 모니터링용 지리공간 LLM의 라벨 효율적 미세조정
비라벨 항공·드론 영상으로 모델을 지속 개선하는 자기진화 파이프라인