猫眼影戏
 |
|
猫眼影戏
西布罗姆维奇
手机审查
猫眼影戏记者 付琴 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：妲己巨乳 拔萝卜 自慰游戏
??01月03日,“五一”假期辽宁文博游热度攀升,
小不点想了想，并没有再多问，认真地表达了谢意。
,黄漫 18禁动漫app。??01月03日,温暖运“蔬” 这趟“卖菜公交”载满人间烟火,
武王府出了一个石毅，资质绝世，如一轮烈日升起，震惊了众多大地。而这三位王侯的子女中也有奇才，同为石族王侯，未来有资格争那人皇位，是竞争敌手，能够有时机阻击，他们自然不会放过。
,婷婷五月在线一区二区,欧美亚洲另类有声精品,www.理论电影.com。??时势2：性6-13性欧美性
??01月03日,探寻“电池智造工厂” 科技创新助力民众出行,
这本书讲的是美国的一段凄凉历史——贩养黑奴。人们把他们口中那些所谓低贱的人当做工具举行生意，由人销售给田主们作为仆从。事情做欠好，就用鞭子抽打他们，还在他们的伤口上撒盐水。真是惨不忍睹。本书中的汤姆就是一个黑奴，他被黑奴贩买到了一个残酷的白人手中，为此，汤姆受尽了人世的灾祸：汤姆不肯和其他人一样，做一个残忍得看守黑奴的头头，于是被主人鞭打不给饭吃、不给水喝……最终，汤姆叔叔死在了那间破茅房里。
,男女差差差APP,日韩久久无码免费毛片软件,mmm美女视频。??01月03日,高质量发展看中国丨黑龙江：破解让“冷资源”持续“发热”的行动密码,
各村党组织、村民委员会班子的每一位成员，都要倍加珍惜时代提供的机缘清静台，倍加珍惜来之不易的优异生长时势，倍加珍惜前届前任开创的平安协调人文情形，倍加珍惜具有特色的政治生态。幸不辱命，不负重托，同心同德，开拓奋进，坚决完成今年县、镇党代会确定的各项使命。值此培训班开班之际，我代表镇党委、政府、人大、政协几套班子讲几点意见，作为开班的发动和要求，与同志们共勉。
,欧美人成视频WWW,IGao在线观看视频,亚洲黄色香蕉视频。??时势3：亚洲a级xx黄色拍拍视频
??01月03日,中国人寿安徽金融中心：打造绿色低碳楼宇，成就合肥区域标杆,
尊重的列位先生，亲爱的同砚们：
,美女扒开腿让男人捅爽,女女黄片,性交A级久久。??01月03日,湖北咸宁：贺胜鸡汤“香万里” 小镇特色产业兴,
“大鹏别闹，一会儿我也要研究你的符文，小青一会儿我带你去抓蛟鱼吃，现在别打搅我哦。”小不点也同样搂住它们的脖子，举行宽慰。
,欧美高清视频在线观看外国网站,免费在线网站你懂得,午夜一级黄色网站诱惑在线看国产。??时势4：日本熟妇色视频一区二区三区色色
??01月03日,广西蒙山夏宜瑶族乡推动“三治融合” 谱写民族团结新乐章,
金狼部落距离苍莽山脉四万里，这群人除了须要的休息外，全力奔跑，骑独角兽的人在第四日返回栖居地。
,欧美在线二区,国产无码黄色网站基地,黄色视频线看。??01月03日,李显龙现身上海豫园 不停地驻足拍照“打卡”,
分步实验，就是将公司的整体妄想举行支解成若干个办法，脚扎实地，一步一个脚印的将各项妄想付诸实验，最终实现公司可一连生长的目的。
,污污网站性福,一级b排放标准欧美一级黄片免费的,99在线一本精品欧美。责编：刘玲玲
审核：布吕希
责编：牛乐
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
