猫眼影戏
 |
|
猫眼影戏
沈祖芸
手机审查
猫眼影戏记者 雷琼道 报道Q8X2R7L1T4J5M9B6W3
新智元报道
编辑：LRST
【新智元导读】多目的（Multi-target） 以及 视觉参照（Visual Reference） 为视觉定位（Visual Grounding）使命的推理速率和性能同时带来了全新的挑战。 为相识决这一难题，来自UIC和Adobe的研究团队提出了VGent模子。这是一种兼顾速率与性能的？榛杓，旨在将模子的推理与展望能力解耦，并辅以多种？榛銮考苹 。最终，VGent依附不到16B的参数目，在多目的及带视觉参照的视觉定位基准（Omnimodal Referring Expression Segmentation, ORES）上，大幅逾越了Qwen3-VL-30B，实现了平均+18.24 F1的重大提升！
在多模态大模子（MLLM）时代，视觉定位是MLLM细粒度推理能力的主要一环，同时也是实现人机交互和具身智能的焦点能力。
现有的解决计划主要分为两类：
原生Token派（Native-token）：像 Qwen2.5-VL 或 Ferret-v2 这样的模子，通过自回归（auto-regressive）的方法使用原有的词表逐个天生界线框坐标 。这种方法不但速率慢（推理时间随目的数目线性增添），并且在多目的场景下容易爆发幻觉（Hallucinations），即模子可能会在枚举完所有目的工具之前就过早阻止，或者在目的麋集的场景中陷入无限天生的死循环。如图一所示，随着目的数目的增添，这类要领在多目的场景下的低效和不稳固性变得尤为显着。
新增Token派（New-token）：另一类要领实验通过引入特殊的token（如[SEG]或 object token）来指代目的物。他们需要网络大规模的数据集、从LLM起重新构建一个能明确这些新增token的MLLM。因此，这种要领不可阻止地会破损LLM在预训练阶段获得的通用推理能力。更严重的是，其导致无法直接使用现有的、先进的、举行了更大规模预训练的开源MLLM（如 QwenVL系列）。
来自UIC（伊利诺伊大学芝加哥分校） 和Adobe的研究团队提出一种？榛谋嗦肫-解码器（Encoder-Decoder）架构VGent，其焦点头脑是：将高层的语义推理交给MLLM，将底层的像素展望交给目的检测器（detector），最终通过hidden state将这种解耦后的关系举行毗连。
论文地点：https://arxiv.org/abs/2512.11099
研究职员以为，语义推理和精准定位是两种截然差别的能力，强迫训练一个简单的整体模子去同时醒目笼统的语义推理和像素级别的底层展望，会导致性能和效率上的权衡。
更切合直觉的方法，应该是由差别的组件做各自善于的事。
基于这一洞察，VGent提出了一种？榛谋嗦肫-解码器设计，使用现成的MLLM和detector将高层多模态推理与底层展望解耦。
其焦点理念在于MLLM和detector的优势是互补的：MLLM善于多模态语义对齐和推理，而detector则善于高效地提供精准的多目的检测框。
图一：VGent（蓝色）与现有先进的MLLM（Qwen2.5-VL，灰色）在多目的视觉定位使命上的比照。左图显示VGent的推理时间恒定且迅速，而 MLLM 随目的数目增添呈线性增添；右图显示VGent在F1分数上实现了显著提升，特殊是在多目的场景下。
要领
基础架构
VGent主要由图二所示的encoder和decoder两部分组成，并引入了三种？榛銮炕疲ㄍ既⑺暮臀澹。
图二：VGent框架概览
如图二所示，左侧encoder是一个 MLLM，使用QuadThinker来提升其多目的推理能力。冻结的encoder输出hidden states并存储下来给到decoder。右侧decoder初始化自encoder的LLM 层，其将detector天生的object proposal作为query，通过cross-attention与encoder的hidden states交互。
研究职员在decoder内部新增了self-attention层（参数初始化自统一层的cross-attention），用于增进query之间的信息交流。 最终的输出举行yes / no的二元判断来选择每个proposal是否属于目的。响应的segmentation mask则通过 prompt SAM 获得。
QuadThinker：强化多目的推理能力
针对MLLM在多目的场景下推理能力下降的问题，研究职员提出了一种基于 GRPO 的强化学习训练范式QuadThinker，通过设计特定的prompt和reward functions，指导模子执行区域到全局、分步推理的历程：先划分统计图像四个象限内的目的数目，再汇总总数，最后展望详细坐标。
图三：QuadThinker所使用的prompt。
Mask-aware Label：解决检测与支解的歧义
在多目的场景中，检测（Box）与支解（Mask）使命的界说保存一定的差别。检测通常优化「一对一」的匹配，而支解则旨在召回所有远景像素。
图四：Mask-aware Label示意图；贗oA的标签分派战略能召回被古板IoU忽略的细粒度部件。
这种差别导致了标注歧义：例如图四（左）中，检测器可能将「鹿头装饰」与其「挂绳」视为两个自力的框。
在检测使命的 IoU 标准下，由于挂绳的框较量小、相关于整体真值框的重叠率过低，往往会被看成负样本在标注阶段被过滤掉（被标上负标签）。可是关于支解使命来说，这个挂绳属于远景，其应该被标上正标签。
为此，VGent引入了Mask-aware Label，使用IoA (Intersection-over-Area) 指标举行特另外标签分派。如图四（右），IoA通过盘算候选mask （通过proposal prompt SAM获得）与多目的真值的union mask的交集，并除以候选mask自身的面积获得。
由于IoA的分母是候选mask自身面积，该机制能精准召回那些虽然只笼罩了部分目的群（如细小的挂绳）但依然有用的 proposal。模子使用另一个自力的MLP head专门展望这种支解导向的标签，用于解决视觉定位中支解类型的输出。
Global Target Recognition：增强全局感知
为了提升候选框选择的准确性，VGent 引入了Global Target Recognition？。
图五：Global Target Recognition示意图。使用Learnable Queries注入全局目的数目信息，并聚合多个detector的效果以提升召回率。
为了提高召回率，研究职员聚合了来自多个detector的proposal形成一个统一的query set，之后引入了特另外 learnable queries与这些proposal queries拼接作为decoder的输入。
这组query被专门训练用于展望目的的总数以及正样本proposal的数目。通过decoder层内的self-attention机制，这些包括全局统计信息的learnable query能够与proposal query举行交互，将「全局线索」撒播给每一个候选框，从而增强其对目的群体的整体明确，实现更精准的选择。
实验效果
研究职员在最新的多目的视觉定位基准 ORES (MaskGroups-HQ) 以及古板的单目的数据集上举行了普遍评估。
多目的视觉定位（Multi-target Visual Grounding）
图六：在 Omnimodal Referring Expression Segmentation (ORES) 上的性能比照。ORES是多目的以及保存视觉参照（w/ < mask-ref >）的视觉定位基准。
如图六所示，在极具挑战的ORES基准上，VGent 取得了全新的SOTA效果。相比之前的最佳要领RAS13B，VGent在F1分数上实现了+20.58%的重大提升。VGent在gIoU和cIoU上都带来了显着的提升。
值得注重的是，纵然比照参数目更大的Qwen3-VL-30B，VGent 依然坚持显著优势。同时，得益于？榛杓，VGent 在目的数目增添时坚持恒定且快速的推理速率，阻止了自回归模子随目的增添而线性增添的推理延迟（如图一所示）。
单目的视觉定位（Single-target Visual Grounding）
图七：在referring expression comprehension (REC) 上的性能比照。
VGent在古板单目的基准（RefCOCO, RefCOCO+, RefCOCOg）上也体现卓越。
VGent实现了90.1%的平均准确率，逾越了InternVL3.5-20B和38B等更大规模的模子 。相比其backbone (Qwen2.5-VL-7B)，VGent带来了+3.5%的平均性能提升。
可视化
图八：VGent在差别挑战下的展望效果可视化。
VGent在重大场景中展现了极强的鲁棒性。
如图八（上）所示，VGent精准定位所有方形钟表，纵然保存大宗相似的钟表作为滋扰项，展现了VGent在麋集多目的场景下的优越体现。
图八（下）中，VGent 乐成定位了视觉参照（蓝色 mask），并继续推断出左侧穿裙子的女士，扫除了右侧的滋扰项。
参考资料：
https://arxiv.org/abs/2512.11099
秒追ASI
?点赞、转发、在看一键三连?
点亮星标，锁定新智元极速推送！
??时势1：周于希王雨纯互慰
??01月03日,乐华娱乐回应股价大跌：公司经营正常,
罗浮大泽的中年强者蛟苍并没有阻止，神色冷漠，道：“交出狻猊宝骨，献上三头幼鸟，不然这个村子可能会除名。”
,免费 无码 精品 国产79在线。??01月03日,注意防范！甘肃五县区发布冰雹橙色预警,
已往的你，岂论绚烂照旧平庸，岂论你一经有过怎样的已往，已往的就已往了，今天已经和昨天差别。高一的一切已经成为了历史，高二的历史需要你用崭新的姿态去描绘，历史的画笔就握在你自己的手中，未来的蓝图就从现在最先。
,黄瓜视频app视频免费观看,搜同视频,黄图视频亚洲。??时势2：亚洲中文字幕2019
??01月03日,东西问·汉学家丨石静远：AI时代，汉字如何延续古今辉煌？,
同砚们，我们的家园富足而漂亮，我们生涯，学习的地方空气是那样的清新，情形是那么的优美。地球就像妈妈一样给我们带来幸福，带来快乐？墒，你们知道吗我们生涯的地球上，优美的情形正在遭到破损，它将给我们人类带来无限的灾难。
,永久免费观看国产美女网站在线,国产黄色在线观看,嘼交Ⅴideos。??01月03日,中国15所高校赛艇选手逐浪松花江,
各人好！
,毛片三级片在车上,日本熟妇槡BBBB槡BBBB搡AA,美女黄色软件。??时势3：大雷被咬得哭着求饶
??01月03日,北京首家华为旗舰店展示电动汽车,
(三)边查整改，转变作风。解决人民群众反应强烈的突出问题，是教育实践活动的基础目的。各村(社区)要干部要认真剖析问题，寻找问题背后的缘故原由和泉源，深刻剖析，把病症找对、把病因找准。要认真解决问题，战胜张望心理、搪塞态度、畏难情绪，做到立说立行、立行立改，要从现在做起，从自己做起，从群众感受最直观、反应最强烈的问题改起，在解决详细问题中让群众看到转变、增强信心。要强化制度意识，针对“四风”及“庸懒慢浮贪”等问题，建设健全长效机制，从源头上防治作风不正、不实、不廉的问题。这里尤其要强调，各村(社区)要把开好民主生涯会、认真开展品评与自我品评作为查找问题、防微杜渐的主要使命，高度重视、提前谋划，党组织书记要切实推行第一责任人的职责，主持研究制订专题民主生涯会事情，催促班子成员认真撰写比照检查质料并逐一审阅，带动开展谈心活动，带动开展自我品评，带动对班子成员提出品评意见。
,女生xnxx视频,欧美一级特黄A片免费频下载,无言之月在线观看樱花动漫第三集。??01月03日,建立专家库加强应急科普 青海完善地震灾害防范应对机制,
法庭辩护书需要包括的内容有：第一先写尊重的审讯长、审讯员、人民陪审员;第二写出有异议的地方，也就是有人定位非该罪责的事实依据;第三本案被告人具有从轻处分的法定情节和从轻处分的酌定情节;第四量刑建议;落款等内容。 二、无罪辩护的看法是什么 无罪辩护是指被告人和其辩护状师在庭审中为被告人作无罪的辩白...
??时势4：能直接观看的黄色
??01月03日,应急管理部启动地震三级应急响应 派出工作组赶赴新疆震区指导抗震救灾工作,
石昊踏浪而行，跑的很快，脱离石村来北海寻找宝术，总共已经已往两年多的时间了，他成为了化灵境的能手。
,黄色在线观看视频网站,白峰美羽演检察官的背景故事,满18看的毛片。??01月03日,人气足消费旺 市场潜力加速释放,
一群人冲来，宝术闪灼，符文交织，这个地方化成了霞光的海洋，被淹没了。
,韩国限制级2022,裸体 开腿羞羞游戏,毛片加黄片。责编：王忠秋
审核：张琚
责编：邵维锋
Copyright (C) 2001- dzwww.com. All Rights Reserved
新闻信息效劳允许证 - 音像制品出书允许证 - 广播电视节目制作谋划允许证 - 网络视听允许证 - 网络文化谋划允许证
山东省互联网传媒集团主理 联系电话：0531-85193202 违法不良信息举报电话：0531-85196540
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
