猫眼影戏
 |
|
猫眼影戏
马布
手机审查
猫眼影戏记者 胡紫薇 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：性爱在线破解版黄色网站
??01月06日,旅新大熊猫“叻叻”启程回国 预计16日深夜抵达成都,
金色的穿山甲扑杀下来，落空后，猛的一个横跨，撞击而来，要将小不点挤碎在山壁间，端的是凶猛而又狠辣 。
,日本小姐姐穿黑丝。被男生操。 。??01月06日,全国高铁车站已超1300座,
凭证党章的有关划定，经校党委研究并讨教北京市委组织部、市委教育工委批准，拟于20xx年5月召开中国共产党中国传媒大学第一次代表大会 。学校党委以为，这次党代会是学校更名中国传媒大学后召开的第一次党代会，是学校在履历50年办学历史和近十年的跨越式生长之后，召开的一次继往开来、继往开来的主要聚会 。此次党代会肩负着总结已往、妄想未来，统一头脑，鼓舞斗志的历史使命 ？谜獯未蠡，关于学校党委进一步认清面临的形势和使命，明确生长的目的和思绪，确定科学的生长战略和行动，从而团结向导全校师生员工高昂进取、起劲拼搏，增进学校事业的周全、协调、可一连生长，具有十分主要的意义 。
,www..com.cn蕾丝视频在线观看在线看免费版,人人操人人玩人人摸,免费无遮挡 视频网 。??时势2：国产一级无码性爱视频
??01月06日,国际青年深入贵州黔东南 走“村T” 看苗绣 感受“村超”,
立异就是要坚持用新要领、新思绪来推动事情，使各项事情在立异中一直生长 。一是要更新看法，增强事情谊识 。重点要做到：增强政治意识，坚定准确的政治偏向;增强盛局意识，团结好村“两委”班子，同心协心开展好事情;增强生长意识，推动农村经济社会生长;增强责恣意识，切记党一心一意为人民效劳的宗旨;增强权力意识，为人民掌好权、用好权;增强民本意识，随处为群众投契益;增强立异意识，创立性地开展事情 。二是在指导群众上树立典范的人物，既注重作育和树立一批在发财致富、爱民为民方面的先进典范，引发宽大干部群众比学赶超、创先争优;又善于捉住生涯中的一些背面典范人物和事例，教育警示群众弃恶扬善，除陋树新 。我们普遍开展“争做民爱、民信、民敬干部”和“双作育”事情，评选和表扬了8名优异共产和15户“十星级”文明户，把42名干部作育成了致富能手，在群众中爆发了很大的树模和刊行动用;建设帮扶联系贫困户“一帮一”的帮扶制度，两年来先后帮扶46户农户脱贫致富 。
,国产黑色丝袜在线脚交图片,亚洲77福利在线看,亚洲欧美AⅤ不卡在线观看 。??01月06日,天舟七号船箭组合体转运至发射区 近日将择机发射,
(五)强化内部监视检查，实验违规积分治理 。银行业金融机构要凭证部分间各有着重、协调联动的原则，有用施展营业条线、合规治理和危害控制等部分在案防事情中的作用，增强审计监视 。同时，研究建设笼罩所有营业流程的操作性违规积分治理制度，防微杜渐，强化操作危害治理 。
,性生活录像,色中色.com,蒂法3D成人H动漫 。??时势3：亚洲性交五月天去干网
??01月06日,检察新媒体创新发展研讨会暨2023年度全国检察新媒体精品展示召开,
快靠近石村了，这片区域没有那么多的猛兽，处在山脉外围，故此还算安定 。
,欧美特黄牲交免费观看,偷拍偷窥视频,成人做爰黄 片视频app 。??01月06日,2023年山西全社会用电量达2885亿千瓦时,
尊重的列位先生、亲爱的同砚们：
,黄色无遮挡一区,性欧美老妇网站,国产性自拍 。??时势4：国产美女AV
??01月06日,好吃又好玩！2024“好Ye冰淇淋节”邀民众共赴甜蜜之约,
这次的履历十分阴险，只差一点他们就葬身在山林中，死于那头远古魔禽后裔的利爪下，现在稍微清静下来，脊背已有一层冷汗 。
,一级黄色电影视频,慢脚文化视频观看高清,欧美最猛少妇XXXX 。??01月06日,内蒙古绿电交易总量创中国第一,
“族长你为什么不让我还手？”石林虎眼睛都红了，脸上火辣辣的疼，但更疼的是他的心，何曾受过这等屈辱 。
,在线免费看国产黄,欧洲性爱免费视频不卡,欧美性爱视频在线免费观看 。【侠客丹心入梦来：浙江嘉兴首发金庸“江湖”28景图鉴】
责编：戴研
审核：理查德·里格斯
责编：张耀明
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
