猫眼影戏
 |
|
猫眼影戏
袁同学
手机审查
猫眼影戏记者 徐云荣 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：日韩一级啪啪
??01月06日,今年荔枝同比减产或将超四成 专家：量少价会涨,
冬季体育磨炼，大多在室外举行，一直受到冷空气的刺激，血液中的红细胞、白细胞、血红卵白以及对抗疾病的抗体增多，身体对疾病的对抗能力增强，俗话说“冬天动一动，少闹一场病;冬天懒一懒，多喝药一碗”就是这个原理。
,最新国产精品视频网址。??01月06日,云南镇雄山体滑坡灾害已致31人遇难,
村人全都受惊，看着那枚散发璀璨绚烂的蛋，眼中都露出酷热的光线，这绝对是一头难堪的战禽，潜力无尽。
,久久久久无码精品国产√,找个能直接看的黄色网站,免费黄一区拒绝收费。??时势2：白衣剑仙jm漫画最新章节更新
??01月06日,2024印尼大中学本土中文教师培训班开班,
很是谢谢各人来加入这个家长会，你们的孩子身体长高了，学习前进了，也越来越懂事了。教孩子们的每一位任课先生都是优异的，但我们每一位家长更是优异的，没有你们的明确、支持和配合，我们的事情就不会取得这么大的效果，孩子们就不会有这么大的前进。以是在这里我要谢谢所有支持我们事情，配合我们事情的家长们。是你们相信我们，支持我们，配合我们的事情，才使孩子们逐渐地生长起来！今天，把各人请到学校来，就是要和列位家上进一步相同，进一步相互明确、相互支持，一起资助孩子取得更大的前进，为他们获得优美幸福的人生涤讪坚实的基础。
,性之交,C0m一级毛片,怡红院婷婷丁香五月视频在线。??01月06日,美媒：红海危机表明中国的“一带一路”倡议对所有国家都至关重要,
同砚们，初中结业，这仅仅是人生旅途的一个主要驿站，成才的蹊径，还征程漫漫。也许未来不会一切如意，也许前途不会一帆风顺，但“艰难困苦，玉汝于成”，成才只有靠自己起劲，乐成只有靠自己拼搏！
,www.cnm黄色视频,无码专区人妻少妇激情,欧美啪啪啪视频。??时势3：3d初音未来被 到爽羞羞
??01月06日,“双11”买气旺 国台办乐见台湾民众获实在好处,
小不点参悟那幅刻图很长时间，虽然没有吞天雀独吞的符文运转窍门，可是却也被他悟出了一些原理，可藏精气神于己身体内。
,糖心vlog91国产精品在线观看,曼珠沙华翻白眼流眼泪,9.1.gb.crm。??01月06日,北京大兴机场海关查获旅客违规携带活体寄居蟹,
今天，我国旗下讲话的问题是——《冬季磨炼利益多》。
,原神3d同人,日韩啪啪视频免费,无码毛片区免费毛片。??时势4：欧美性爱视频全部
??01月06日,（经济观察）全球创业者峰会传递国际合作三大风向,
(二)增强村干部培训，是提升村干部事情能力，建设高素质农村干步队伍的需要。村干部素质的崎岖，直接影响着农村事情的开展。多年来，各级党委和政府一直高度重视农村下层干步队伍建设，在提高农村下层干部素质上下了很大功夫，取得了较好效果，村干部的整体素质有了较大提高，但仍有一些村干部的能力素质不顺应新形势新使命的要求。有的村干部事情要领陈腐落伍，处置惩罚问题手段简单，导致党群干群关系主要、矛盾激化Ｉ杏行┐甯刹空嗡刂什桓，执法意识不强，在农村低保、危房刷新等民生问题上行不正，站不稳，优亲厚友、情绪用事等征象不少;在整体土地谋划权流转、整体资产处臵历程中损失原则？谕沸椤迪洳僮鳌⑷饲榉炔还娣丁⒉幻裰鳌⒉煌该髡飨笫庇斜，严重损害了群众、整体的利益，引发了种种社会矛盾和不稳固因素，造成上会见题一直。现在，大部分村级信访案件的原由都是民生、土地、林权等问题，许多问题的成因都是暗箱操作，村干部为一己之私造成的严重后患。这些问题若是解决欠好，就会影响农村经济社会的生长和稳固。因此，迫切要求村干部提高自身素质，增强组织开展村里各项事情的本事。
,三级毛片网站在线免费进入,国产在线精品自拍,亚洲日韩欧美视频。??01月06日,(新春走基层）海南铁路“四棱战士”郑庆华的春运：保障每一趟列车平稳运行,
一道冷箭袭来，准而狠辣，目的正是青鳞鹰的眼睛，冷光惊人，这一箭最最少是双臂一振能有五六千斤实力的猛人才华射出的，太恐怖了。狈村的人担心青鳞鹰会被救治过来，那时对他们来说将是一场大灾难，此时举行滋扰与袭杀。
,免费黃色录像视频,熟女淫乱性爱视频网,午夜影院性交。【山东乡村文化旅游节即将“登场” 邀民众过特色“鲁味年”中国国内企业拥有有效发明专利290.9万件 占比首超七成】
【太原汾河湿地迎来越冬白鹭】
责编：黄维群
审核：詹姆斯·希尔顿
责编：刘运宝
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
