猫眼影戏
 |
|
猫眼影戏
姚元洪
手机审查
猫眼影戏记者 张秀辉 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：女人隐私秘 免费看的软件
??01月04日,赞比亚小伙在中国开公司：中非合作对双方大有裨益 希望继续加强,
“听从柳神的申饬，最先储粮！”一位族老冷静下来吩咐道。
,婷婷五月综合激情在线。??01月04日,中国驻美大使谢锋：让“看不见的手”和“看得见的手”各展其长、协同发力,
大河上方，远古遗种长鸣，翎羽鲜艳亮丽，像着火了一样平常，拍击双翅，将周围的大山都给震裂了，它沿着大河一起向下追击。
,国产大波视频在线播放,国产视频伊人网,91在线极品在线国内在线播放。??时势2：亚州精品18
??01月04日,广西检察机关依法对韩勇涉嫌受贿案提起公诉,
一晃两个月已往了，小不点四岁了，柔软的发丝垂落到肩头，黑宝石般的大眼越发有神，长的漂亮可爱。他虽然看起来像个白瓷娃娃，可是力大无限，一跃就有三四十米远，成为了石村第一能手。
,久久久受www,网站操逼视频,WW欧美WW欧在线观看。??01月04日,96岁黄埔老兵彭永：黄埔军校属于中华民族,
应当充分肯定，地某地各级党委办公室的干步队伍总体上是好的。各人在恒久的事情中，体现出了高度的政治觉悟、严正的组织纪律、过硬的营业本事和优良的事情作风，树立了党委办公室的优异形象，赢得了各级党委和宽大人民群众的信任和洽评。这是我们已往事情取得效果的缘故原由所在，也是以后再接再厉、再创佳绩的希望所在。面临新形势、新使命的挑战，面临党委办公室事情仍然保存的问题和缺乏，更需要我们重视和抓好自身建设。各级党委要进一步熟悉办公室事情的主要性，切实增强对办公室事情的向导，周全增强步队建设，凭证“忠诚坚定、甘于贡献、清廉自律、营业精湛”的要求，起劲把办公室干步队伍建设成为一支政治强、营业精、作风硬、纪律严，能够经受种种磨练、切合新时期党的事业生长的要求、让党和人民知足的步队。
,免费XXXX网站大全,在线观看免费涩涩视频,欧美成A人片在线观看完整版。??时势3：亚洲中文欧美
??01月04日,广东多举措防御强降雨 护民众生命财产安全,
首先，我们必需告诉自己，我们只是暂时的不乐成，并不料味着永远的失败;
,欧美精品三级片,午夜电影在线观看理论片,furry老虎猛交大肉自慰。??01月04日,推动高质量发展·权威发布｜越南已连续25年成为广西第一大贸易伙伴,
“本王不听空话，再斩！”宝座上，再次传下一道冷漠的声音。
,欧美一级特黄A片免费频下载,欧美在线精品播放,一级在线黄色视频。??时势4：理论片午夜电影手机在线
??01月04日,国台办：“台独”是绝路，“台独”分子是秋后的蚂蚱,
1、提高冬训活力，首先是内容上要把“增智”与“铸魂”相连系。冬训有别于一样平常意义的培训，要坚持把党性教育作为主要的、永恒的主题，高举旌旗，铸“党魂”，获得各级党组织的认可和重视;同时，冬训要始终紧贴中心，锁定生长实践的阵势，关注干部头脑的疑心与诉求，议大事、明偏向、强信心、鼓劲造势、凝心聚力，让干部感应实时、解渴、管用。今年冬训，我们确定了四个重点专题，希望各支部凭证冬训重点组织开展好本单位的冬训事情。要通过集中培训，使全局宽大干部进一步相识目今我局的目的使命，将头脑与行动统一到中央和市、县和我局的决议安排上来;使宽大干部精神面目有新气象，头脑看法有新转变，政策水平有新提高，生长能力有新提升，事情业绩有新作为;要通过开展冬训，鼎力大举为民办实事、办妥事，切实维护人民群众的基础利益;要通过开展冬训，一直增强和刷新下层党组织建设，打造顽强的向导焦点，推进全局各项事情在新的起点实现新突破。
,爆操美女模特免费看,午夜理伦在线看,人妻少妇精品无码专区芭乐视网。??01月04日,航拍江西龙虎山脚下春日田园 云雾缭绕水满田畴美如画, 据英国政府13日揭晓声明称：“今天的行动包括英国首次针对俄罗斯总统‘影子舰队’中的船只实验制裁，俄罗斯使用这些船只规避英国和七国集团（G7）的制裁，并继续不受限制地举行石油商业。”这些新制裁还针对俄罗斯军方的弹药、机床、微电子和物流供应商，包括位于中国、以色列、吉尔吉斯斯坦和俄罗斯的实体。声明写道，英国宰衡苏纳克在意大利加入G7峰会时宣布了这些新的制裁步伐，“这将削弱俄罗斯为其战争机械提供资金和装备的能力”。,欧美亚洲日韩精品日韩在,免费黄色视频在,56h3CCA片1。
【生态环境部：防范汛期水环境质量恶化及重大水污染事件】
【法国学者：未来四年，特朗普可能把欧洲“推”向中国】
责编：玛丽·萨瓦尔
审核：达伦-科里森
责编：汪旻
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
