猫眼影戏
 |
|
猫眼影戏
程文亮
手机审查
猫眼影戏记者 江宗法 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：国产小视频你懂的在线国内
??01月07日,用心用情用力办好“群众温暖过冬”大事,
凶蛟咆哮，震惊的四野都一片大乱，山石滚落，树叶狂飞 。
,欧美激烈精交HD 。??01月07日,张之臻组合挺进2024澳网男双四强, 巴勒斯坦队、吉尔吉斯斯坦队与中国队同处第五档 。美联社12日称，巴勒斯坦队在巴以冲突的大配景下打进18强赛，为自己的国家送上令人振奋的好新闻 。巴勒斯坦队自2019年以来就没法拥有自己真正的主场，他们只能在科威特和卡塔尔举行主场角逐 。,美女黄视频黄,国产精品综合日本欧美,天天爽夜夜爽精品视频一免费 。
??时势2：免费网站成人
??01月07日,浙江东极渔民营救英俘纪念碑落成 见证中英人民友谊,
“吱吱……”拳头大的金色朱厌上串下跳，很是担心，一双灵动的大眼瞪的溜圆，发出尖锐的啼声，恨不得连忙夺到手中，它看到这块骨后，很是担心与焦躁 。
,张柏芝高潮被G下不来床,一区一区一处一级,性交在线观看 。??01月07日,以雪为令 浙江多地高速抗雪防冻保畅通,
二要严肃学习纪律 。 这次集中培训的时间较为紧凑，使命十分沉重，因此各人一定要严肃学习纪律，包管学习时间，希望在座的每位同志倍加珍惜这次难堪的学习时机，尊重先生的劳动，认真听课，记好条记，统一行动，不搞小我私家自由主义，维护优异的学习民俗，有特殊情形要向党工委主要向导请假，确保培训事情取得预期的效果 。
,91夫妻自拍偷拍视频,欧美成免费黄色视频,黑色DD4立即安装 。??时势3：亚洲国产二区
??01月07日,道中华丨citywalk 成都,
岁月的清风轻轻地掀开了x年金秋的书页，温煦的秋阳送来了又一个丰收的季节 。我们刚刚送走了一大批播撒过斗争与拼搏、收获了乐成和喜悦的x届高中结业生，又满怀希望地迎接来了你们——x级的高一新生 。带着青春的蓬勃生气，揣着满怀的激情与盼愿，携着家人的殷殷嘱托，你们来了，你们激情汹涌、英姿勃发地来了，来到了永中这块成绩梦想和孕育英才的沃土 。
,小草黄色在线视频,JAVHDOnline熟女,又大又硬又猛又黄又湿又爽 。??01月07日,明中都宫殿院落与水系遗存考古获重要进展,
题的基础途径，是优美墟落建设的目的所在 。我们要凭证 “ 聚焦项目、关注民生、突出重点、统筹推进 ” 的事情思绪，深入实验 “1311” 城乡建设工程，着力推进城乡基本公共效劳均等化， 全力推进城乡公共设施建设，鼎力大举实验农村公路 “ 村村通 ”工程，一直完善城乡路网结构，起劲指导科技教育、文化体育、医疗卫生、信息通讯等都会优质公共资源向农村辐射，加速推进水、电、气等城乡基础设施周全临接，加速城乡一体化历程 。要扎实推进以人为焦点的城镇化， 坚持以人为本，把解决就业作为驻足之基，把提高生涯水平和质量作为主要标尺，把增进人的周全生长作为基础目的，一直健全社会包管系统，创立条件让农民一律享受市民待遇，让他们在城镇和墟落都能留得下、住得稳、生涯得好 。
,在线观看免费人成视频观看,爆cao美女网站,91国内高清视频 。??时势4：免费看的黄网站
??01月07日,中国正能量｜钱彤：在学思践悟中深化理解、积蓄底气、坚定信心,
“我现在没时间听，还要琢磨宝骨呢 。”小不点连头都没有抬，一副不为所动的样子 。
,纲手白浆,小 戳进 无遮挡网站免费,男人天堂网址在线 。??01月07日,湖南发布“校友回湘”倡议书 力邀湖湘校友回“湘”兴业,
“大兄弟，你看这次的误会是不是可以揭已往，他日我们会有厚报 。”金狼部落的头领启齿，看向石林虎等壮汉 。
,国产黄产在线观看,免费人成在线播放,性别巴克2.0官方下载 。责编：王公义
审核：魏巍
责编：何秦
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
