猫眼影戏
 |
|
猫眼影戏
哈西娜
手机审查
猫眼影戏记者 范安德 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：日韩二区网站
??01月08日,安徽黄山税惠赋能 徽派民宿走出“国际范”,
这像是一条由青金铸造成的蹊径 ，闪灼青霞 ，种种繁奥符号齐现 ，犹如漫天星辰遮掩 ，令这里神秘而又祥和 。
,2021韩国片理论在线观看 。??01月08日,突发：叙利亚首都大马士革传出枪炮声 中使馆紧急提醒 ,
青鳞鹰速率何其快 ，双翅一振 ，瞬间就越过成片的山峰 ，来到了这片山地前 ，林木伏倒 ，巨树折断 ，残枝败叶随处都是 。
,天天色天天干网址,furry18+视频,1024欧美一区二区日韩人 。??时势2：国产精品综合
??01月08日,大藤峡船闸完成停航检修恢复通航 广西西江干线全线贯通,
记着!我们的口号：消防清静伴我行!
,wwwriav99com,sm虐乳针扎进奶孔ⅹⅩⅹⅹ,丝袜视频 Xx免费观看 。??01月08日,重庆轨道交通15号线二期工程进入铺轨作业,
回首走过的20xx——20xx学年度第一学期 ，在上级教育行政主管部分的支持资助下 ，经由全校师生不懈起劲 ，学校有了新的生长 ，20xx年被列为省标准化学校建设单位(全市仅两所初中学校) ，学校完成了校舍及隶属设施的升级刷新 ，建设了月朔学年各班级现代化多媒体课堂 ，更新了理、化、生、综、微实验室仪器装备 ，进一步改善了学校办学条件 。学校通过市政府统一招聘 ，引进四名优异大学结业生来校执教 ，进一步优化学科教学设置 ，学 ；挂Ы堂σ幻 ，进一步壮台甫师步队 ，学校西席步队获得进一步优化 。在“关注民生、效劳生长”建设群众知足学 ；疃 ，被黑龙江省委省政府纠风办、黑龙江省教育厅授予省级群众最知足学校声誉称呼 ，20xx年被牡丹江市人民政府授予教育事情先进单位称呼 。学校的生长和前进 ，凝聚着全校师生的心血 ，代表着我们已往一年的起劲、贡献与拼搏 ，为此我代表学校向列位先生同砚体现衷心的谢谢!
,Jizzyou中国少妇高潮,一级一区,欧美日韩情欲片在线观看 。??时势3：欧美a精品视频
??01月08日,贵州广电传媒集团原党委委员宋霖被“双开”, 2023年7月 ，中共中央总书记、国家主席、中央军委主席习近平在四川考察时指出 ，四川要施展高校和科研机构众多、立异人才集聚的优势和工业系统较为完善、工业基础雄厚的优势 ，在科技立异和科技效果转化上同时发力 。,黄瓜污视频,扌喿辶畐的日本,国内精品免费久久久久电影 。
??01月08日,6个安置点58顶救灾帐篷完成搭建 新疆阿克苏消防正开展防火巡查,
“我族有离火宝术 ，一念间熔炼山水为火海 ，燃尽世间诸敌 。孩子 ，加入我族吧 ，未来说未必可以继续上古神明——火神的道统 。 。”
,国产va免费精品观看精品视频,动漫人物戳鸡巴视频,免费黄片视频 。??时势4：波多野结衣
??01月08日,澳门妇联学校副校长：加强澳桂师资交流 提高国安教育水平,
2、连系学习内容和事情现实 ，举行深入总结思索 。各人在学习时 ，要凭证学习培训内容 ，比照检查自己事情中保存的问题和缺乏 ，认真总结履历 ，刷新事情要领 ，提高事情水平 ，真正使这次学习培训 ，学有所获 ，学以致用 。
,精品久久久久久中文字幕无码四季,jizzyou三区,32pao国产成视频永久免费 。??01月08日,互联网平台不能成为“卖药江湖”,
一是要搞好都会情形综合整治 。各级要凭证省政府的统一安排和市政府《关于开展都会情形综合整治实验意见》的要求 ，从群众普遍关注的热门难点问题抓起 ，以都会收支口和城乡连系部为重点 ，集中时间 ，集中实力 ，深入开展都会情形综合整治 。加大都会治污力度 ， ；ざ蓟嵘樾 。目今的主要使命是下鼎实力开展好都会情形综合整治 ，集中实力对市区内的乱搭滥建、违章修建、沿街摆摊、店外谋划、乱挖乱倒、乱停乱放、乱贴乱画、乱设广告等不良行为举行彻底治理 ，在尽快改变脏乱差状态的同时 ，制订牢靠提高治理效果的步伐 ，建设长效治理机制 ，坚持常抓不懈 。
,欧美亚洲日韩色另类乱,人人人操人人爽,com.色 。【“读懂中华民族：多元一体与共同发展”国际研讨会举行】
责编：向小蓉
审核：常红
责编：陈清秀
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
