猫眼影戏
 |
|
猫眼影戏
王姣
手机审查
猫眼影戏记者 相鹏涛 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1：玖玖在线
??01月06日,山东青岛：海产丰富 市民欢购,
为什么远古凶兽强盛？还在幼崽时期就那么逆天，远超凡俗，有如神话般，跟这些也分不开！
,女人张开双腿男人猛戳出白浆。??01月06日,第31届大学生电影节“青春之夜”圆满落幕,
严寒的冬季到来，没有了夏日的烈日，正是磨炼身体的好时机。加入冬季体育活动，不但能磨炼身体，增强体质，并且还能磨炼不怕严寒的顽强意志，提高身体的抗寒能力，增强对抗种种疾病的能力。
,日本在线观看播放,日韩H免费视频,furry老虎猛交大肉自慰。??时势2：国产v亚洲V综合色婷婷
??01月06日,（高质量发展调研行）解码新松如何助推辽宁制造业加快转型升级,
“快，救它下来！”罗浮大泽的中年男子蛟苍高声喝道。
,表妺用白丝脚帮我脚交,亚洲性爱视频第一页,操逗你网。??01月06日,国家统计局：2023年全国居民人均可支配收入39218元,
小石昊一动不动，宛若站在天下的止境，混沌气弥漫，一经看到、但却因年幼不可被记着、藏在潜意识中的场景再现眼前。
,911柚子猫盛世容颜小僵尸,国产性爱欧美性爱,屄交毛茸茸。??时势3：人妻猎人
??01月06日,【高质量发展调研行】滇池东岸卧龙古渔村焕新生 游客“Country Walk”松弛感拉满,
虽然，我们的事情也保存不少问题：在这里首先要提出的就是体罚、变相体罚学生征象。有些同志不可很好地榨取自己，冒犯了师德红线，导致家长找到学校，给学校造成了不良影响，甚至严重滋扰了学校正常的教育教学秩序，这确实是令人很闹心的一件事。我希望同志们要增强师德修养，有关部分要增强指导和督查，坚决杜绝此类征象的爆发Ｉ杏械耐径宰约阂蟛环笱峡，耍小智慧，晚来早走，有的`甚至不请假中途离校，不可定心教育教学事情，虽然这是极个体征象;也有的同志事情责任心不强，对学校安排的事情没能认真完成，例如在营业、政治条记的检查中，发明不少同志弄虚作假，一次次想用那张旧船票，来登上新学期的客船，真是贻笑大方，可笑之至。干部中心也保存穿新鞋走老路的征象，事情中不可大胆立异，迎难而上，知足于现状，缺乏激情，躺在效果上睡觉，事情思绪不宽，亮点未几。先生们，孔子曾说：过而不改，是谓过矣。希望保存上述征象的个体干部西席，要使用这个假期好好反思一下，认真查找缘故原由，找出症结所在，加以纠正。
,2020偷拍各种走光福利视频,国语对白刺激真实精品,鸥美多人××视频。??01月06日,“天价药”开出“平民价” 医保药品目录调整呈现三个新特点,
这片大地彻底暴动，种种嘶吼声喧沸，凶兽如洪水一样平常汹涌，屠戮十方。
,大神沟厕正面偷拍嘘嘘,日韩做受❌❌❌高潮电影o漫画,亚洲中文字幕aⅴ无码性色。??时势4：97超碰人人干
??01月06日,“等墟”买年货 侨乡台山旧俗迎新年, [环球时报特约记者 李佳寅]“世预赛亚洲区第三轮（18强）的参赛球队已经确定。”亚足联官网12日先容称，日本、伊朗、韩国、澳大利亚、卡塔尔、沙特阿拉伯、伊拉克、乌兹别克斯坦、阿联酋、约旦、阿曼、巴林、中国、巴勒斯坦、吉尔吉斯斯坦、朝鲜、印度尼西亚和科威特队晋级18强赛。6月27日将举行18强赛抽签，届时将凭证国际足联最新一期天下排名将18支球队分为六档，如无意外，现在天下排名第88、亚洲排名第13的中国男足将以第五档球队身份加入抽签。18支球队将分为3组，每组6队——六档球队各有一支，举行主客场双循环角逐。赛事将于今年9月开踢。,在线看国产麻豆精品,男女无遮挡羞羞视频免费网站,国产91精品福利。
??01月06日,梅罗对决泡汤,
这群人迅速逃离，冲向远方，基础不敢在这个时间入城，怕被兽群盯上，而遭遇惨祸。
,在线免费毛片免费,英国一级婬片A片免费播放,日本12岁美女露隐私。【第八届“啄木鸟杯”中国文艺评论推优发布典礼举行】
责编：韩惠
审核：韩榴文
责编：纳维亚
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
