猫眼影戏
 |
|
猫眼影戏
寸劲儿
手机审查
猫眼影戏记者 陆逊 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：玄兵大战倾辛69
??01月05日,AI眼中的中国｜腊月二十三，糖瓜粘,
一年之计在于春。我们在春天里播撒文明、勤劳、乐学、康健、相助的种子，秋天里就会收获明礼诚信、勤学善思、身心康健、团结相助的丰富效果。播种离不开耕作，只有辛勤耕作，我们才华学会求知、学会健体、学会相助、学会做事、学会做人，享受到前进的喜悦，享受到收获的幸福。
,爱爱亚洲综合网。??01月05日,海南三亚深耕入境游市场 与韩国旅企开展联合营销,
二要夯实事情责任。建设农村低保制度，维护和包管农村难题群众的基本生涯，是各级政府的主要职责。各州里长既是农村低保事情的第一责任人，更是农村宽大难题群众的代言人，务须要把这件实事抓紧抓好、抓出效果。各相关部分要通力相助，配合做好相关事情。民政部分要增强指导、全心组织，将周全实验农村低保制度作为目今民政事情的主要使命，下鼎实力抓紧抓好。财务部分要抓好资金落实，实时足额落实农村低保资金。监察部分要增强催促检查，确保农村低保公正、公正实验。审计部分要增强对资金使用的监视治理。扶贫、农业、统计等部分要自动配合民政部分，准确提供农村贫困户扶贫档案和资料，做好包管工具的核查事情，协助做好包管工具和家庭收入的审定事情。要教育各级干部特殊是乡、村干部熟悉到农村低保是一种义务和责任，要把实验农村低保作为广施爱心的详细行动，带着对贫困群众的真挚情绪做好农村低保各项事情。工具确定要公正、公正，分档津贴要注重现实，事情程序要简朴快捷、利便群众。
,糖心小奈女士,日日添天天添天天添硬,麻豆av网站。??时势2：《小樱鸣人》免费漫画
??01月05日,【理响中国】奋力开创党的自我革命新局面,
三要妥善于抓落实。乐成源于实践，兴衰系于作风，细节决议成败，态度决议一切。两委干部要施展“特殊能受苦，特殊能战斗，特殊能忍耐”的顽强精神。支书、主任率先垂范、亲力亲为，坚持向导在一线指挥，步伐在一线落实，问题在一线解决，作风在一线转变。坚持摒弃那种“思绪多步伐少，点子多落实少，讲得多做得少，宏观多微观少”的虚浮之风。
,巨乳在线视频观看,超碰免费在线观看1000,巨乳网红九儿自拍视频。??01月05日,香港芭蕾舞团版“爱丽丝”将登台国家大剧院,
例如，清洁工人把这一片地面扫得干清洁净，不宜回来了老中小三人。老人“咳，咳，咳”，“嘘”第一口痰吐出去。小的正将手中的冰棒吃完，“嗖”的一扔，废棍落地。那年轻的刚吸完一口烟，随手就把烟头扔在地上。
,激情小说激情图片激情四射激情理论,曰本精品无码一级毛片视频,黄片视频100部。??时势3：免费看成年美女洗澡网站
??01月05日,新疆吉木乃农业对外开放合作试验区揭牌,
一群大人被惊动，快速冲了出来，石林虎等人都很激动，甚至连一群年岁很大的族老都是跑出来的。
,2021强奸免费视频,黄色视频你懂得在线观看,两个人打扑克在线。??01月05日,让世界看到一个可信、可爱、可敬的中国（和音）,
“咚”的一声大响，小不点绝一直留，右脚横扫，将地上的一块大磨盘踢起，撞向雷明远。
,91足交在线观看,一级电影视频,日本黄级三级片毛。??时势4：韩国女团裸体秘 无遮
??01月05日,美议员警告：美国最高法院已陷入“合法性危机”,
它通体焦黑，遭受过杀绝性的重创，在浩劫来暂时，也只能自保罢了，无法与谁人条理的恐怖生灵征战。
,舞蹈生露穴被绑起来h,国产精品一区二区三区无码视频,iGao、com。??01月05日,报告预测：文旅行业和情感消费将成为数字经济增长主要方面,
④明确分工，责任到人。各处室、各年级要凭证校长办公室安排的事情，进一步明确职责，明确分工，责任到人。凭证学校相关文件精神制订好本部分、今年级事情 妄想，创立性地开展事情。学校对中层干部、各处室、年级实验事情目的审核治理。
,久久九九久精品国产婷婷婷婷,国产欧美日韩一区二区三区,欧美日韩MMa片上线视频。责编：廖成林
审核：杨强
责编：萧华
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
