无人机小目标分割不再只靠生成：DroneSegEdit 加语言核验，RIS-LAD 上 mIoU 达 52.78
核心概要
无人机航拍里，被指代的目标常常只占几十个像素，还挤在一群外观相似的车辆或行人中，生成式编辑器能画出轮廓却可能选错实例。DroneSegEdit 冻结开源的 LongCat-Image-Edit，只训练轻量 LoRA 渲染候选区域，再用语言锚定的空间核验器在候选内部剔除与指代表达不符的前景。在 RIS-LAD 完整官方测试集上，它取得 52.78 mIoU，比此前最好的 ReSaP-8B 高 7.16 点；在 UAVid-RIS 与 VDD-RIS 上整体保持竞争力，车辆、行人等紧凑类别的提升最明显。
深度剖析
语言引导的无人机分割现在可以沿用预训练图像编辑器的 RGB 输出接口，而不必另建一套判别式分割解码器。 此前的指代分割多依赖跨模态解码器，或先做多模态推理再交给可提示分割模型；直接套用生成式编辑器时，画出的掩码看似合理，却可能落在小目标、重复目标中的错误实例上。 在 RIS-LAD 完整官方测试集上，DroneSegEdit 达到 52.78 mIoU 和 54.01 oIoU，比同一编辑器直接生成的配对结果高 5.42 和 6.92 点，比 ReSaP-8B 高 7.16 和 0.57 点。
做法是把“画出来”和“选哪个”拆成两步：编辑器负责给出候选几何，语言证据只在候选内部决定保留哪些前景。 语言锚定的空间核验器（LGSV）读取冻结的 Qwen2.5-VL 主干四个层级的隐状态，把指代表达对应的 token 汇成条件，再经 FiLM 调制视觉网格，得到一张粗粒度的语言支持图。 核验被约束在渲染候选之内，只删不加；在 RIS-LAD 上它把精度从 52.93 提到 62.10，召回仅从 81.04 变为 80.57，预测与真值的面积比从 1.531 降到 1.297。
同一套 RGB 接口还能扩展到整景解析，用一条任务级指令一次渲染全部类别。 稠密 VDD 适配器不接收逐类名称或调色板颜色，类别与颜色的对应关系由成对的 RGB 目标在 LoRA 微调中学到。 在官方 280/80/40 划分上，该无核验器版本取得 80.96 mIoU，在匹配分辨率的对比中仅次于 UPerNet–Swin-L 的 82.17。
启示与展望
实验覆盖 RIS-LAD、UAVid-RIS、VDD-RIS 三个指代基准和 VDD 稠密解析，均按各自官方训练与评测协议独立训练适配器，检查点与决策阈值只在验证集上选定；面向的读者是无人机视觉与生成式分割方向的研究者。
核验受候选约束，无法找回编辑器漏掉的目标，也难以可靠区分证据难以分辨的候选；在 VDD-RIS 上其 oIoU 比 AeroReformer 低 3.80 点，P@0.9 相对原始编辑器从 44.65 降到 41.33，作者也把颜色碰撞、粗粒度证据和降分辨率稠密评测列为局限。