猫眼影戏
 |
|
猫眼影戏
于振武
手机审查
猫眼影戏记者 龙燕均 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：色01永久视频
??01月08日,重庆坠亡姐弟母亲：孩子们可以安息了,
2、强化视察研究 ，施展照料作用 。办公室施展照料助手作用 ，就必需深入现实 ，深入下层 ，搞好视察研究 。一要抓“大” ，就是要围绕党委事情重点 ，对重大经济生长战略问题以及事关全局的重大问题 ，组织实力 ，举行深入详尽的视察研究 ，实时向党委提供有内容、有剖析、有建议、有主要参考价值的视察 ，为党委议大事、定阵势提前谋划 ，超前效劳 。好比 ，怎样抢抓沿江开发机缘 ，进一步加速我区开放型经济生长;怎样做好“商贸兴区”文章 ，指导改制区属企业“退二进三” ，举行“二次创业” ，等等 ，都值得我们深入研究和探讨 。二要抓“新” ，就是要围绕经济社会生长历程中泛起的新情形、新问题举行选题 ，着眼于我区刷新生长稳固的新效果、新探索 ，注重抓好典范调研 ，实时生长和总结在实践中创立的新鲜履历 ，用以指导实践 ，推动事情 。好比 ，在舆论指导方面 ，我们就可以对区属企业开放式改制的做法、州里招商引资的履历以及民营企业艰辛的创业历程等举行总结推广 ，起到宣传先进、学习先进的效果 。三要抓“专” ，就是要围绕党委每个时期关注的问题以及带有普遍性、倾向性、苗头性的问题 ，组织专题调研 ，为党委相识下层情形、举行科学决议提供效劳 。好比 ，全区各项事情安排 ，在下层事实落实得怎么样?群众在生产、生涯上迫切要求解决什么问题?下层干部的作风怎样?这样通过访贤于黎民 ，问计于下层 ，求知于实践 ，使调研效果具有更强的头脑性、政策性、建设性和可操作性 ，迅速转化为党委决议 ，推动事情的开展 。
,肏屄视频网 。??01月08日,两会受权发布丨第十四届全国人民代表大会第二次会议关于2023年中央和地方预算执行情况与2024年中央和地方预算的决议,
然而 ，没有一小我私家回应 ，村头一群壮年男子都冷漠的看着他 。
,欧洲黄色网站在线看,日韩免费网页版视频,妻社 。??时势2：人妖专区
??01月08日,国足主帅扬科维奇：我们不能逃避问题,
银月咆哮 ，自山林中旋转而过 ，适才大喝的人直接被劈掉了半边肩头与一条手臂 ，鲜血冲起 ，惨叫一声 ，倒了下去 。
,av黄片免费在线观看,小 爆操 无茫,亚洲经典一曲二曲三曲区别小说 。??01月08日,安徽发生一起瓦斯爆燃事故 已致7人死亡 2人失联,
然而 ，最终这个雄伟的老人横飞了出去 ，大口吐血 ，险些四分五裂 ，被击成了重伤 。
,人人操在线欧美,www.itkimi.com,欧美喷潮a片91 。??时势3：女同久久精品国产99国产精品
??01月08日,访正大集团邢继宪：小鸡蛋走向大产业需要“闯三关”,
石飞蛟通体光线越发的强盛了 ，宛若火焰一样平常跳动 ，全身璀璨 ，在其胸口处 ，兽吼如雷 ，震的山林都在颤抖 ，山石滚落 。
,18禁 流浆 夜猫,爱搞52g登录网页版,第一视频区亚洲日韩 。??01月08日,柬埔寨暹粒吴哥国际机场中柬文化走廊启用,
不久前 ，他傲气凌人 ，冷漠而犷悍 ，现在却成为了囚徒 ，披头撒发 ，全身是血 ，一语不发 ，反差太大了 。
,毛片二级片,很黄很污的网站,妙龄少女最新官网 。??时势4：午夜福利视频一级A级视频
??01月08日,唐山通报“烧烤店打人案出警民警举报”：其反映问题均不属实,
老狈无论怎样也没有想到 ，一头半死的鸟突然活了 ，并且这般凌厉 ，它长嚎如鬼哭 ，极速逃避 ，但依旧慢了一步 。
,你懂的免费视频,日本公共厕所尿尿视频,日韩精品欧美精品国产精品 。??01月08日,山西古建筑100问——常家庄园如何见证晋商的辉煌？,
责编：王颖迪
审核：李哥庄
责编：香港·华丽秀
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
