猫眼影戏
 |
|
猫眼影戏
郑庆华
手机审查
猫眼影戏记者 侯江东 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？椤
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：www.it9198.com
??01月03日,甘肃探索创新育才：“飞天英才”师生见面体验科学魅力,
无怨无悔是我们的选择
,巨乳美女裸体直播。??01月03日,沈腾：两岸法律“翻译家”,
金狼部落的首领一声大叫 ，自身寸寸断裂 ，血雾飘起 ，在那龙卷风中成为血泥 ，不复保存。
,欧美欧美色,班花催眠被强行掀下裙子侵犯,91短视频在线观看免费最新。??时势2：亚洲顶级美女性爱视频
??01月03日,匈牙利期待开启匈中两国关系新篇章,
火是人类的朋侪 ，它给人们带来灼烁和温暖 ，给人类带来了文明与前进。可是火若是失去控制 ，酿成火灾就会给人们的生命工业造成重大的损失。以是 ，我们要学习一些消防知识：
,亚洲国产精品无码久久一线本,欧美人妖老妇❌❌❌,亚洲国产精品一区图片。??01月03日,“第二十条”被唤醒！法律专家谈如何正当防卫,
同砚们 ，星期一早上好 ，今天 ，我要讲的主题是——节纸。在建设“节约型社会”历程中 ，生涯在青青校园里的少先队员应该做“节约型社会的小主人” ，最大限度地节约资源 ，提高资源使用效率 ，把对情形的损害减到最小水平。少先队总部提出了“四个一”的系列活动 ，同砚们应该从身边做起 ，起劲提倡康健节俭的生涯方法。北京地区经常刮起沙尘暴 ，黄沙肆虐 ，刮得让人睁不开眼 ，面临云云卑劣的生态情形 ，北京一小学在一次中队会上 ，同砚们纷纷体现 ，愿意为 ；の颐堑纳樾巫龀鲎约旱男⑺场８魅讼准葡撞 ，纷纷提出了去远郊植树造林、去逍遥种花种草等许多建议。最后 ，向导员先生希望各人想个步伐 ，从身边的小事做起 ，同样抵达绿化祖国的目的 ，由于我学校特殊的情形 ，没有植树绿化的逍遥了。这可把各人难住了。有一个叫雷依梦同砚很智慧 ，她想了想说：“着实 ，我们天天都在破损着森林 ，由于我们的纸张 ，都是用木浆制成的 ，为了供应用纸 ，天天都有成千上万棵树木被砍伐。”她的一番话引起了同砚们的强烈回声。最后各人提议 ；で樾未由肀叩男∈伦銎 ，我们就从节约一纸张最先。说干就干 ，首先从自己做起 ，全体队员体现 ，以后决不随便铺张纸张 ，不再用纸叠飞机乱扔。不再把没用完的底稿纸乱抛。并且同砚之间相互监视。不但云云 ，同砚们还自动回家向家长宣传节约用纸 ，并视察家庭用纸情形。起源统计用纸情形如下：餐巾纸平均天天一个家庭消耗10张。面巾纸平均天天一个家庭约莫消耗5—7张 ，卫生纸全家平均天天合计消耗1/5卷 ，学习用纸(包括用书)折合成A4纸 ，约莫6—8张。将这些纸张折合因素量约莫为0.25公斤。照此盘算 ，我们每年每个家庭就要消耗掉约莫91.25—91.5公斤纸张。北京有一支著名遐迩的“一张纸小队”。5年前 ，北京市东高房小学年仅8岁的少先队员袁日涉提倡组建了这支小队。几年来 ，“一张纸小队”用现实验动转达着“聚沙成塔 ，聚沙成塔”的质朴原理。他们招呼各人“两面用纸、节约护树”;他们把正背面都用过的纸网络走来 ，放在课堂后面的纸箱里 ，并为这个纸箱起了个好听的名字--“绿色银行”;他们在北京郊区建设了一片“少年先锋林” ，妄想发动天下20xx名队员在这里种下20xx棵树 ，作为环保少年为20xx年北京奥运会献上的一份礼物。同砚们 ，一页纸就是一页金 ，举手投足间珍惜一张纸 ，就即是造林一片。透过一张张皎洁的纸 ，你有没有思索过自己的行为;你是否远离了一次性纸杯、一次性木筷?你是否用纸的背面写过字?你是否用旧挂历纸包过书皮?你是否把废纸与垃圾脱离处置惩罚?你的口袋里装的是手帕照旧面巾纸?让我们一起加入到“一张纸小队”的行列中来吧!节约一张纸 ，拯救的可能是一棵大树 ，甚至整个森林......节约不但是美德 ，更是责任。
,男女半夜看骚网站,免费在线观看毛片,在线免费观看麻豆视频。??时势3：一本无码不卡久久精品
??01月03日,中哈（连云港）物流合作基地累计运量超53万标箱,
“别手软 ，虽然是一个孩子 ，可是他身上有宝具 ，很强盛 ，协力射杀他！”一个粗大的男子大吼道。
,A片福利片国产在线播放,人人射人人操人人色免费,美女黄色视频久久。??01月03日,重庆街头水景灯饰流光溢彩吸引眼球,
“叔叔 ，伯伯 ，狻猊宝骨是我们的 ，为此支付了生命尚有血的价钱 Ｉ杏写笈簟⑿∏唷⒆显剖俏业耐椤！毙〔坏阊劬η辶 ，声音响亮 ，认真地说道 ，马上让现场一片悄然。
,詹娜TV,在线观看 亚洲 欧美 日本,人与拘做受XXXXⅩXX。??时势4：2019色色
??01月03日,南方医科大学空天医学工程研究中心揭牌成立,
接下来 ，所有人都眼神火热 ，虽然心中大叫没天理 ，但照旧围了上来 ，全都盯着小不点手中的那块晶莹符骨。
,94午夜理论片,欧美操逼顶交片,久久亚洲精品视频。??01月03日,小新探宝：卡拉瓦乔的光影定格 ——《被蜥蜴咬伤的男孩》,
责编：林明芳
审核：艾昌勇
责编：王嘉廉
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
