猫眼影戏
 |
|
猫眼影戏
科比-布莱恩特
手机审查
猫眼影戏记者 李晓荣 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：精品妇女一区二区三区
??01月05日,财政部：一季度全国一般公共预算收入60877亿元,
“要爆发什么 ？”老人问道。
,男自慰无套免费网站他趣。??01月05日,“后亚运”浙江体育添新篇章 多项国际赛事今年落地,
第一，重抓都会建设，是推动嘉荫现代化建设的需要。都会建设事关经济社会生长阵势，事关人民群众亲自利益。比照县委全会确立的打造“富庶之县、实力之县、宜居之县、协调之县”的目的，在加速全县城乡一体化的历程中，必需充分验展都会的龙头刊行动用，以都会化发动现代化，以都会生长发动全县生长，以都会文明引领全县文明，以城区品位提升嘉荫形象。
,37a8.㏄,国产AV高清黄,免费看AV大片的网站久久。??时势2：亚洲天堂无码理论
??01月05日,新疆首家国际化、智能化新型医疗机构开工,
(三)增强村干部培训，是提高村干部创业带富能力，拓宽农民致富增收渠道的需要。近几年，随着农村形势的生长转变，农村工业结构的一直调解，农村下层组织面临的新情形、新问题层出不穷，农民专业相助组织步队逐步生长壮大，逐渐成为农村经济生长的主力军。在农民专业相助组织生长壮大时代，有些村支书、村主任能够起劲自动地肩负起领办、开办的重任，较好地增进了农村经济结构转型生长。可是也有部分村党组织、村支书、村主任，对农民专业相助组织这一新生事物熟悉不清，既没有组织领办、开办的愿望，也没有很好地支持这项事情。与此同时，还保存着有的村党组织与农民专业相助组织之间矛盾重重，不肯意把派到农民专业相助组织开展党的活动，不肯意为专业相助组织提供活动场合。强化村支部书记、村主任的政治素质、阵势意识、致富能力，就是要从基础上解决村“两委”向导在推进农村经济生长中政治觉悟不高，生长意识不强，创业带富能力不强等现实问题。要周全增进农民专业相助组织规范运营，提高村干部带动创业、带动致富的本事，加速农民增收致富的程序。
,晚上免费观看的黄色网页,少年阿宾沈娜娜,免费一级特黄特色大片不卡。??01月05日,南京：国家公祭仪式活动期间采取临时交通管控措施,
这得多败家啊，什么样的家族出来的孩子才华做出这等事情来 ？
,国产美女AV午夜在线观看,爱操逼综合网,成年人在线免费观看网站视频。??时势3：亚洲va在线va欧美va
??01月05日,探访福州侨厝心远庐：家的温暖 侨的根魂,
3、强化全员培训，提高员工致体素质。教育培训事情任重而道远，我们必需坚持培训，一直地立异培训方法，才华跟上公司跨越式生长的程序，多渠道、多形式的储备种种专业手艺实力和治理人才。20年重点培训事情：一是要对全体员工在年内集中培训一次，每周一期，培训内容包括员工职业素养和专业手艺，着重解决员工最基础的应知应会问题;二是要提高手艺职员和一线员工的专业操作手艺;三是对治理层举行提高执行力方面的培训，进一步抓好新生后备实力的作育。
,辉夜的小玩具丢了,yjq168.com,中文在线黄色网站一区。??01月05日,1元包装费缘何触动消费者神经？,
20xx年，是我职业司理人生涯的第20个年头。从苹果、SGI到微软和谷歌，我踏扎实实地走过了20年职业司理人生涯。但已往半年来，我的心中总有一种迫切感，心中常有个声音告诉自己：是最先职业人生新篇章的时间了。经由重复思索，我决议在北京建设立异工厂。
,永久免费A片在线看视频一,操逼不打码,欧美黄色精片。??时势4：穿jk白丝被 粉嫩脚底
??01月05日,“中法文明交流互鉴：回顾与展望”学术研讨会在巴黎举行,
??01月05日,三部门联合印发《关于跨境税费缴库退库业务管理有关事项的通知》 ,
接下来的日子里石村很安定，可山脉深处却不清静，时时有兽吼惊天，震的群山都在摇动，乱石翻腾。
,羞羞漫画歪歪漫画,免費一級片,66j8。责编：华工安
审核：崔湜
责编：巴西库里提巴
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
