猫眼影戏
 |
|
猫眼影戏
陈泓冰
手机审查
猫眼影戏记者 余文廖 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：妓女视频网
??01月05日,三部门发布关于促进房地产市场平稳健康发展有关税收政策的公告,
教育学生增强自我提防、自我；ひ馐 ，避免爆发财物遗失、人身伤亡事故。
,人人操免费公开。??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》 ,
小不点符文全身 ，贴着山壁 ，如一条壁虎般迅疾游动而上 ，瞬间就上去了数十米。
,91精品秘 无码一区二区山手,国产av天堂久久,影音先锋最新资源网站在线观看。??时势2：强制高潮调教无码视频
??01月05日,多路追击 直击广西河池武警反恐演练现场,
2、科学施训。
,我吸老师的丰满大乳奶水视频,天堂亚洲AⅤ在线观看不卡,高中女生破处网站。??01月05日,近百位留守儿童走进北京宋庆龄故居 共享联欢舞台,
2、提高冬训活力 ，还必需顺应时代生长 ，方法要领上一直融入现代元素 ，始终占领宣布道育阵地的制高点。除了原有的广播、电视、报纸等古板公共传媒平台以及远程教育网络外 ，还要用好云媒体、微博微信、网络党课等一批新手艺 ，拓展冬训笼罩面 ，提高冬训实效性。这次冬训 ，我局拟开展冬训在线学习、答题活动 ，人事科迁就这项事情做详细安排 ，目的只有一个;保质保量完成学习使命。
,三个黑人和一个白人怎么念英语,在线看国产日韩,Jk萝莉被猛操91麻豆免费在线观看视频。??时势3：AV片片A爽A片
??01月05日,展望2024年A股市场 多家外资机构给出积极预判,
第一个问题就是头脑看法的问题 ，。就是到现在为止 ，尚有相当部分职工对目今 教育面临的形势和使命没有苏醒熟悉 ，或者有了一定熟悉但熟悉还不敷深刻。主要体现在三种意识还较量淡漠 ，一是；馐 ，二是责恣意识 ，三是质量意识。从行为习惯来看体现在：有少数教职工劳动纪律松懈 ，经常泛起迟到、早退征象 ，更有个体保存缺课的情形。看待事情总是强调小我私家难题 ，不思量学校需要和 职业要求;看待学生 ，不是耐心指导 ，而是讥笑奚落 ，体；虮湎嗵宸;看待同事不是友好相处 ，而是制造谣言肆意撒播影响团结。有的人只为自己思量,站在自己的态度。总希望考勤松一点、事情时间短一点、收入高一点。我能回覆的三个一点那就是要想收入高一点 ，请你空话少说点,责任心强一点,效率高一点。要想把学校事情搞好 ，全体教职工一定要相互团结 ，牢靠树立三种意识 ，并从自身做起 ，凭证西席职业品德要求推行好自己的事情职责。
,黄色免费大片,好爽好紧好大的免费视频国产,少萝足球鞋导管素材必备。??01月05日,新疆泽普：“旅游+”助推文旅产业高质量发展,
今天 ，我们在这里召开结业班全体学生头脑发动大会 ，目的就是给我们结业班的同砚鼓劲 ，使同砚们在20xx年的小学结业考中取得优异的效果。更希望同砚们在六年级这一年中 ，在先生的指导资助下 ，找准偏向 ，增强信心 ，受苦钻研 ，自动学习 ，以优异的效果为结业班学习生涯画上一个圆满的句号 ，给学校、先生、家长一张知足的答卷。今年这届结业班 ，我们满怀信心争取好效果。从先生来看 ，我们有一支素质优异的结业班西席步队 ，他们履历富厚 ，教学有方；他们勇于贡献 ，能和同砚们同甘共苦；他们同心同德、力争上游。从同砚来看 ，同砚们的整体素质比上一届好；学生育成教育基本形成 ，团结相助 ，遵纪遵法 ，严酷要求自己；学习受苦起劲 ，高昂向上 ，自动学习 ，基础打得较量扎实。特殊是同砚们自从进入结业班 ，似乎一下子长大了。和已往相比 ，更有礼貌了 ，更遵规守纪了 ，更爱学习了？吹秸庖磺 ，作为校长 ，我打心眼里兴奋。从学校来说 ，尽一切起劲为结业班学生提供优异的学习情形和生涯条件。
,和平精英同人网站链接,18 无遮挡,一级a特黄大美女的光屁屁。??时势4：韩国最新2022理论电影在线观看
??01月05日,第四届网络空间内生安全学术大会举办在即,
然而 ，小不点竟全都接了下来 ，纵横腾跃 ，硬撼这头金色的祭灵 ，两者间爆发出炫目的光华 ，气息迫人。
,免费啪视频观在线视频无卡,黄色软件下载最新版本,A片91视频。??01月05日,国际机构预测2025年全球电动汽车保有量将增长33% 中国市场居首,
雷侯的四子是一个二十几岁的青年 ，名为雷云坤 ，雄姿挺秀 ，健硕高伟 ，眸子有玄色闪电浮现 ，想里走去 ，站在几口药鼎前 ，露出受惊的神色。
,五月天婷婷缴情五月欧美激情,911亚洲线精品,少萝被 脱脱内内做运动小说。【U16国足被韩国队逼平，小组赛三胜一平】
责编：乔吉甫
审核：徐豪萦
责编：裴鑫
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
