本研究は、合成画像検索をリモートセンシングに導入します。これにより、大規模な画像アーカイブに対して、画像例とテキスト記述を交互に使用してクエリを実行することが可能になります。これにより、視覚的なクエリやテキストのクエリだけでは表現しきれない説明力を向上させることができます。テキスト部分によって、形状、色、コンテキストなどの様々な属性が変更可能です。本研究では、画像間類似度とテキスト間類似度を融合する新しい手法を提案しています。我々はビジョン・ランゲージモデルが十分な説明力を持ち、追加の学習ステップや訓練データが必要ないことを示しています。また、色、コンテキスト、密度、存在、数量、形状の変更に焦点を当てた新しい評価ベンチマークを提示します。本研究はこのタスクにおいて最先端の成果を達成するだけでなく、リモートセンシング画像検索分野における空白の解消にも基礎的な一歩となることを目指しています。コードは以下のURLで公開されています: https://github.com/billpsomas/rscir