猫眼影戏
 |
|
猫眼影戏
埃内斯托·拉斐尔·格瓦拉·德·拉·塞尔纳
手机审查
猫眼影戏记者 重点—内 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：狼友小视频在线观看
??01月07日,腾讯云携手同程旅行打击订单诈骗 前10月挽回消费者损失超千万,
同志们，新形势、新使命给党委办公室事情带来了新的挑战，也为各人提供了越发辽阔的生长空间 。希望你们以一种为党的事业尽职尽责、勇挑重担的政治责任感，一种为全区三个文明建设开拓进取、多作孝顺的历史使命感，一种捉住机缘、只争朝夕的时代紧迫感，开拓立异，扎实事情，起劲开创全区党委办公室事情的新时势，为实现“五年总量翻番，八年周全小康”斗争目的做出更大的孝顺 。
,亚洲淫乱网站 。??01月07日,贵州汇川：动车组列车驶过油菜花田,
这个讲座，让我对交通规则有了更进一步的相识：我知道了交警各个手势的意思，什么意思要打什么样的手势……我还学会了一首有关于交通规则的童谣，但没有拿日志本以是遗忘了词……可是你们知道再没有红绿灯亮的时间怎样过十字交通路口吗?只需记着7个字就行了——一慢二看三通过 。
,亚洲黄色小书综合网,又粗又猛又黄又爽无遮挡免费,操小舞 。??时势2：99RiAv国产视频
??01月07日,ATP年终总决赛小组赛次轮：阿尔卡拉斯、兹维列夫获胜,
作为一名小学生，就应当掌握一些消防知识，如：初期火灾扑救要领以及会报火灾119 。和火在一齐做坏事的尚有一个工具，是火的“铁哥们”——烟雾 ？杀鹦∏扑，许多人在火灾失去生命的“罪魁罪魁”的也就是它，为什么它会让殒命率增高呢?那是由于烟雾中包括许多的有毒、有害气体，若是不加提防，就会中毒 。
,国产站二区,黑鬼大战日本少妇,日韩特黄不卡在线 。??01月07日,在希望的田野上丨今年粮食增产的重心在于大面积提高单产能力,
所有族人都来了，上到八九十岁的族老，小到还在吃奶的娃，族长、大叔、哥哥、姐姐、婶子等，一大群人全都来送行 。
,国产妓女一级A片在线,纲手爆乳被 秘 漫画网站,绑起来被调教剃毛 。??时势3：itch.io18 游戏入口免费
??01月07日,民政部就《取缔非法社会组织办法（修订草案征求意见稿）》公开征求意见,
石云峰受惊，快步跟了过来，抱起一条大鱼，翻过来掉已往的看，惊道：“真的是龙须鱼？照旧品质极好的金鳞种，这可是好工具啊，蕴有灵精，恒久吃的话能增添实力，强壮筋骨，对孩子们有很大的利益！”
,黄免费观线看,911色色色,天天天天天干 。??01月07日,“欢欢喜喜过大年” 重庆文旅将推出千余主题活动,
周围的群山所有断掉了，似被人以大器横扫过，毁掉了整片山脉，所有山体都只剩下了下半截 。
,啊啊啊啊啊好大轻点,男人插女人逼视频,美女DSS撒尿pisGS 。??时势4：日韩欧美精品一区二区三区
??01月07日,统战力量因地制宜施策 助浙江新昌低收入家庭“奔中”,
三年前，你们带着稚嫩、纯粹的笑容；带着怙恃莘莘的期盼；带着对优美未来的神往，步入二中校园 。三年的学习实践、三年的春风沐浴、三年的雨露滋润，你们的头脑获得了升华；情绪获得了熏陶；意志获得了磨练；知识获得了拓展 。突然间我发明，似乎是在一夜间，你们长大了，都酿成了一个个阳光、结实的帅小伙，清纯迷人的美少女；你们也确实变的成熟、稳健了！你们一个个都成为了懂事的好孩子；成为了一个个不怕难题，受苦起劲、知恩图报、明理上进的勤学生了 。我为二中拥有你们这样的优异学生而感应欣慰，也皆你们的怙恃、先生因有你们这样的好孩子，勤学生而倍感自豪与自满！你们将成为我们生命影象中永远无法抹去的优美回忆！
,久久人人爽人人一级毛片,羞羞视频免费网站在线看,日韩黄色A级一级片黄色网站 。??01月07日,珠海暴雨红色预警 多个景区闭园,
尚有一次性筷子，一次性筷子虽然利便，吃了就丢，不必洗，可是，你们有没有想过一次性筷子那里来的用什么做的一颗小树就能做10双筷子 。以此类推，人们要砍伐几多树木啊!
,黄色免费观看网址,校花 扒开腿让我C视频,2019年一级黄片 。责编：程昆余
审核：孙清荣
责编：李光全
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
