猫眼影戏
 |
|
猫眼影戏
凯瑟琳·福尔摩斯
手机审查
猫眼影戏记者 刘玉村 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：男生把小j插进女生的小j里面视频网站
??01月07日,近距离｜中法国旗飘扬 法国热烈欢迎习近平主席到访,
村看村,户看户,群众看村干部 。村干部是村级经济社会生长的领路人 ，是贯彻落实市委、市政府决议决议的最直接组织者和实验者 ，在下层处于要害职位 ，作用至关主要 。村(社区)干部素质的崎岖、能力的强弱、作风的优劣 ，直接关系到一个村 ，一个地方经济和社会各项事业的生长 。新一届村两委班子选举竣事后 ，一批有知识、有能力的年轻被选进村级班子 ，为村级班子增添了新的血液和活力 ，村级班子结构进一步优化 。可是部分新进班子的村(社区)干部 ，现在对村情民情还摸得不透 ，事情思绪还不敷清晰 ，事情角色还没有完全转变;个体继任的村(社区)干部 ，也仍然保存生长看法、事情要领等方面不可完全顺应新形势要求的征象 。举行村(社区)干部集中培训班 ，就是要强化农村下层干部宗旨意识 ，提高效劳群众的能力;强化责恣意识 ，提高抓班子、带步队 ，维护农村社会协调稳固能力;强化生长意识 ，提高营生长、思生长 ，引领农村(社区)经济生长、向导群众脱贫奔小康的能力;强化清廉自律意识 ，提高拒腐防变能力 。同志们一定要提高熟悉 ，转变看法 ，务必以高度的紧迫感和责任感 ，强化熟悉 ，更新看法 ，凭证“三高三强”( 政治素质高、文化水平高、群众威信高 ，生长能力强、效劳能力强、协调能力强)的要求 ，一直提高自身素质 ，起劲成为群众信任的农村事情向导者 。
,aⅴ免费在线观看 。??01月07日,财政部拟发行2024年记账式贴现（四十四期）国债,
大片的血雨洒落 ，老狈凄厉长嚎 ，肉身险些碎掉 ，后半截躯体消逝了部分 ，惨不忍睹 ，它头也不回的远去 。
,小仙女自慰软件,收看三级国产黄色无码视频,现在观看毛片网址 。??时势2：AV网址在线搜索
??01月07日,《寻梦龙虎山》实景演出火热 从陆地到河面全面展现龙虎山自然和人文魅力,
(1)优势因素
,邻家扭蛋女漫画免费阅读未删减,芙宁娜黄色网,最新三级网站 。??01月07日,“话剧九人驻城演出季”五戏连演 《双枰记》《庭前》北京站将封箱,
这个地方成为了一片屠戮场 ，那重大的躯体勇猛无敌 ，腾跃间 ，一百多名强者被快速击杀 ，其余的人害怕 。
,性色AV,reePorno馃拫馃憴11,langyou视频 。??时势3：在线国产视频资源
??01月07日,五部门：各地要保障村民建房合理用地需求,
“就是 ，真正的天纵奇才是在各大种族对决的大战场上降生的 ，这些算什么 。”尚有一个孩子接嘴道 。
,啦啦啦在线观看视生学,ass精品国模裸体pics,日韩精品熟女福利久久91 。??01月07日,比利时博物馆珍藏明朝鱼藻纹盖罐失窃,
二、海内和非洲零售业市场的比照剖析 ，让各人对现在海内和非洲的零售业有所相识 ，首先通过媒体的一组数据反应 ，海内零售业在电商的攻击下 ，急转之下 ，京东淘宝现在注册的电商越来越多 。导致门面销售量越来越低 。至20xx年上半年主要零售企业 ，统计显示在海内已经关了121家 ，这是有据可依 ，有证可查 。其中家乐福超市上半年关了3家 ，永辉超市上半年关闭了5家 ，沃尔玛在中国现在有400家门店 ，20xx年上半年已经关闭30% 。从第一张表可以看出 ，海内经济正在转型 ，古板行业已经趋于饱和 ，经济生长的新动力 ，有待进一步挖掘 。第二张表就是海内生产总值的生产状态 ，各人可以从这张表 ，很清晰的望见 。由20xx年的7.7到20xx年的7.3 ；繁仍鎏7.3% ，可是比同期来讲 ，他的增式是减缓的 。导致了我们所有零售行业GDP总体下降 。中国原来是一个天下加工厂 ，可是由于劳动力本钱的提高 ，原质料价钱的上涨 ，许多的加工厂现在已经向东南亚地区举行转移 。因此 ，寻找新的经济增添点 ，追求新的经济生长区域 ，成为当务之急 。
,一级黄片免费在线观看不卡,欧美色欧美色,日韩一区二区三区在线观看A片 。??时势4：男人天堂最新在线
??01月07日,直击港交所“打风不停市”机制首次实施,
二、驻足久远生长需要 ，通过学习培训发动周全事情
,朱竹清两腿乳液自慰羞羞漫画,亚洲精品国产入口,黄色黄页网站免费在线观看 。??01月07日,河北夏粮预计“三增加” 小麦总产量有望首次突破300亿斤,
罗浮大泽的蛟苍不语 ，酷寒的看着这一切 ，任事态生长 。
,www成人 色情美女露双乳球视频,骚麦小仙儿歌曲在线听,美女114一级A视频 。责编：谭少群
审核：陈龙龙
责编：娄一青
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
