猫眼影戏
 |
|
猫眼影戏
鲁洪·阿不都热依木
手机审查
猫眼影戏记者 田峰 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1：91在线无码精品秘 国产chengqingb.com
??01月07日,上海邮轮口岸国际邮轮现四船同靠,
“吱吱……”突然，毛球冲了出去，化成一道金光，翻山越岭，要进入山脉深处 。
,尤酸乳最新版本更新内容 。??01月07日,打造大湾区先进科技成果转化首选地,
提到消防，同砚们自然会想到令人毛骨悚然的火灾二字 。是的，火，带给人们灼烁，付与人们温暖 。可是火也吞噬了无数生命，留下了累累伤痕 。希望各人能做到“三懂”、“三会” 。“三懂”即明确火灾的危险性，增强消防意识;明确火灾形成的原理，不玩火;明确火灾预防，起劲开展消防宣传 。“三会”即学会火灾报警要领，学会使用灭火器扑救小火，学会火灾自护自救的要领 。要时刻切记消防清静，学习消防知识，消除火灾隐患，防微杜渐，提防未然 。
,免费 无码 精品 国产79在线,美女黄视频黄,久久首页精品视频 。??时势2：Aa日本午夜在线视频
??01月07日,西藏布达拉宫迎年度“粉刷季”,
同砚们，你们知道火灾电话是几多吗 ？很是准确，119 。为增添全民的消防清静意识，使电话号码“119”越发深入人心，公安部于1992年提倡，将每年的11月9日定为“天下消防日” 。
,国产福利在线二区,中文字幕免费乱伦视频,国产一级特黄高清免费大片 。??01月07日,（乡村行·看振兴）山西闻喜冬闲人不闲 金丝皇菊采摘忙,
“这么神秘 ？”小不点心中大受触动，他双眼清亮，认真思索了很长时间，以为长了不少见识 。
,欧美午夜三级片,女性向AV,黄色性爱网址 。??时势3：WWW人人操人人干
??01月07日,沪宁合高铁项目扬州东站道岔现浇梁完成浇筑,
9.做好点评总结 。各班级天天上午、下昼角逐竣事，要学生回到班级点名，班主任点评半天角逐班级情形集，特殊是运动会竣事后，更要做好总结，班级获奖总结获奖履历，不如意的就吸收教训，目的让班级凝心聚力，营造向上的精神 。
,色一情一乱一伦一区二区,一级a爱做片观看免费韩国,欧美ax视频 。??01月07日,这个夏天 谁能问鼎德劳内杯？,
第四、提高效劳群众、为民办实事的能力 。 农村下层干部直接和农民群众打交道，官虽然不大，但其作用和能量却不可低估 。群众始终把我们当成党和政府形象的化身 。农村下层干部认真为群众办实事，遇事同群众探讨，干部的形象就好，党在农民群众中的威望就高 。反之，就会直接影响党和政府的形象 。我们要切实解放头脑，转变看法，自觉地从那些不适时宜的看法、做法和体制的约束中解放出来，破除不思进取、小富即安的头脑，树立强烈的生长意识;破除墨守陋习、因循守旧的头脑，树立强烈的立异意识;破除关闭守旧、固步自封的头脑，树立强烈的开放意识 。凭证县委总体生长目的和生长思绪，把主要精神放在实验 “ 六大工程 ” 、 “ 三大战争 ” ，搞活商贸流通，培育新的经济增添点，增添农民的收入上来 。要通过提高效劳水平，资助群众解决好制约生长的种种问题，为群众提供优异的产前、产中、产后效劳 。特殊要连系落实中央四个长效机制文件，牢靠先进性教育效果，落实效劳允许制，开展种种便民利民活动，切实为群众办实事，做好事，解决好群众最直接、反应最强烈的热门难点问题，资助解决一家一户难以解决的问题，起劲为群众生长经济排忧解难，推动农村经济生长，实现配合富足 。
,你懂的自拍偷拍,先锋资源影音资源,多强被 c到爽 H91 。??时势4：中文字幕无码免费久久9一区9
??01月07日,香江观澜：特色艺术盛会推动香港发展成为中外文化艺术交流中心,
那里鳞甲脱落了不少，防御力降低，马上有血光崩现，可依旧未曾将怪蛇斩断，只切进去拇指深罢了，它的肉与骨极其坚硬，硬是抵住了 。
,人人操日日射,亚洲欧美日韩 在线 一区,色哟哟91精品网站 。??01月07日,多措并举守护黑土地 筑牢粮食安全“压舱石”,
列位向导、列位朋侪，~~小学虽然地处偏远，交通未便，却并未因此远离各人的眷注 。随着捐赠的物品抵达我校，暖暖的眷注也抵达每个师生的心间，这份温暖也将转达到每一个家庭 。
,国、产免费国语黄色视频,久久亚洲只有精品18,欧美性色欧美A在线在线播放 。【“五一”假期 西藏拉萨迎客流高峰】
责编：宜昌崟
审核：王中磊
责编：安·基
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
