猫眼影戏
 |
|
猫眼影戏
李胜
手机审查
猫眼影戏记者 于祥明 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：黄色视频免费看在线网站
??01月05日,湖北后河：红腹角雉“溜娃” 画面温馨有爱,
记着!我们的口号：消防清静伴我行!
,与子乱刺激对白在线播。??01月05日,和合诸味 一碗广西米粉如何交融多元饮食文化？,
你们知道我们国家的火灾电话是几多吗？是，119。
,在线观看免费二区,国产在线无码一区视频,高清无码在线视频。??时势2：国内最真实嫖妓啪对白视频
??01月05日,温哥华市议会将温哥华唐人街确立为文化区并出台发展框架,
青鳞鹰眸中光线闪过，很想扑下去，可是又怕狻猊还没有死透，若是是那样的话，纯粹是自己找死。
,日本黄色大片网站,操逼色爽视频,加勒比无码在线视频。??01月05日,习近平主席特别代表、全国人大常委会副委员长郑建邦出席伊斯兰合作组织第15届首脑会议,
生命是世上最名贵的，它只有一次，它不但光是属于你，也属于每一个家庭，更属于我们的国家。要时时刻刻注重清静，一举一动想到清静，不可让你们的行为有任何闪失，不可让你们的身体受到任何危险。为了疼爱你的慈祥的爸爸妈妈永远有幸福的笑容，记着珍爱生命，清静第一;为了你优美的家永远坚持完整，记着珍爱生命，清静第一;为了我们可爱的祖国永远星光绚烂，记着珍爱生命，清静第一。
,爱情岛论坛永久亚洲入口首页,免费能看的黄色视频在线播放,国产偷窥成熟女精品视频。??时势3：久久天堂
??01月05日,【趣解廿四时】立夏“斗蛋” 你童年的夏日游戏是什么？古巴宣布对持普通护照中国公民实施入境免签,
小不点连忙寒毛倒竖，脊背生出一股凉气，那金色的光点可不是雨水，而是祭灵的金色鳞片，它竟于一瞬间脱下全身鳞甲，发出了这等恐怖的攻击。
,免费 成人 末,人人人人操人人人人操、com,专约老熟女。??01月05日,加快赋能供应商数字化智能化升级 SHEIN持续构建品牌生态出海,
“小不点不要追！”族长石云峰怕他泛起意外。
,国产粗口刺激对白AV在线Hd,男能GAY无套 猛男,哪里有毛片网站。??时势4：久久久国产九九99精品
??01月05日,刘国深：赖清德未得到多数民意支持 难以“为所欲为”,
“它是看到了一枚蛋变异，符文密布，未来会远强盛于它，想留给我族的‘祭灵’，让我们养大。”族长石云峰道。
,亚洲毛片一级无码网站,A级毛片100部视频,jmcomica.vip。??01月05日,【小新的Vlog】打卡正定小商品夜市 感受“梦中情市”魅力,
同志们，教育的目的在于“成人”。“成人”事实依赖“自成”照旧“造成”，现在生怕仍会有许多人选择后者。若是我们能听一听柳宗元笔下种树能手郭橐驼的话，就不难知道这样做“虽曰爱之，着实害之;虽曰忧之，着实仇之”。儿童研究事实是一张“白纸”，照旧一颗“种子”，决议了教育的态度是纷歧样的——面临白纸，教育者可以为所欲为，面临种子，就必需遵照种子的生长纪律和所需的生长条件。面临一张“白纸”和面临一颗“种子”，教育的难度也是纷歧样的——贯注容易而激活难。我希望先生们把儿童看作为一颗“种子”。面临这粒种子，绝不可以片面为所欲为地誊写，我们要受到制约，必需思量到激活这颗种子的潜在生命力所必需的合适土壤、阳光和养料。给予这颗种子所需要的，它的基因图谱才华舒睁开来，才可能长成参天大树。
,精东传媒,邱佳卉的最新视频播放,91禁止观看强奷在线看网站。【150余家厂商亮相巴西圣保罗国际纺织服装采购展】
【【东西问】胡鞍钢：进一步深化改革、中国式现代化将为世界带来什么？】
责编：李宏塔
审核：贺新翔
责编：玛丽·巴拉
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
