猫眼影戏
 |
|
猫眼影戏
林茜叶
手机审查
猫眼影戏记者 庞超 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：影音先锋 网址
??01月06日,港澳动漫产业人士冀加强与内地合作 将中华文化创意带向世界,
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 。
,好疼啊啊啊啊视频 。??01月06日,第19届中国国际山地户外运动公开赛将在重庆武隆举行,
“什么，三头六臂，那可是传说中的无上宝术 。 笔沈允芫，近年来追随族长修行，他相识到了许多秘闻 。
,91黑丝国产在线,男女动态图无遮挡猛烈同房,男男gay+骚鸡屁眼gay无套禁18 。??时势2：男人操女人逼软件
??01月06日,菲律宾中部莱特省附近海域发生5.8级地震,
终于盼到了争“国防章”的时间了，盼着能争得“国防章”，盼着能学到更多的知识 。
,3344在线观看无码,亚洲免费a片在线,麻豆视频网址 。??01月06日,332名世界顶尖运动员汇聚上海 2024射箭世界杯上海站将开弓,
尊重的列位嘉宾，亲爱的家人们，当下好，首先，我们接待在座的嘉宾们前来支持我们4月份的启动大会，今天你们的到来，给予了我们无限的实力，在此，我们以三次爱的掌声接待他们，虽然，毎一次给予人掌声的同时，我们一定要把最热烈的掌声留给我们自己，由于，3月份通过我们全体家人们的配合起劲拼搏下，我们又一次跨越并佂服拿下了挑战目的，今天的乐成，让我们激感人心，深受鼓舞，我们为乐成突破而喝彩，在此，高举我们的高尚的双手，啪出狂风暴雨般的掌声送给最棒的自己 。由于这是在余总以及各向导的向导下与各人并肩作战，配合拼搏，配合起劲的效果，在此，自己代表公司向所有的家人致以最高尚的敬意!家人们，各人辛勤了!
,日本黄色一级小视频,神乐桃果爆乳无删减版百度云盘,影音先锋在线看片资源 。??时势3：三级黄色未满十八岁禁止入内网站
??01月06日,新年伊始 云南野生动物园“宝宝天团”集中亮相,
“你还讲不讲原理？”石大壮怒道，抬手就抓起一尊千斤重的铜鼎，就要向前冲 。
,黄色3级片 一级片,爱情岛论坛亚洲入口,欧日韩特黄AAAAA片免费看 。??01月06日,超级产业链｜鄂尔多斯：离世界绒都还有多远,
二、狠抓班级治理，优化西席步队
,欧美一级特黄性爱,精品欧美一级视频在线,白丝美女吃男生鸡巴 。??时势4：欧洲女人荫蒂视频
??01月06日,经港珠澳大桥珠海公路口岸 通关港澳单牌车突破150万辆次,
??01月06日,中新健康丨上海科学家新发现为肿瘤、器官损伤等疾病治疗带来新策略,
若是消防意识淡漠， 酿成火灾， 将给人民生命工业造成重大的损失 。在 20__ 年的 6 月 10 日，广东省 __ 市华南宾馆爆发火灾 。大火造成 31 人殒命、3 人重伤 。在去年的 9 月 20 日，深圳 __ 区的一歌舞厅爆发火灾，一场不过 30 分钟的火 灾，却导致 43 人殒命，88 人受伤 。纵观这些夺走无数生命的火灾事 故，有几起不是消防清静意识淡漠、违反消防清静操作规程酿成的恶 果呢? 以是， 我们人人都应具备防火和消防知识， 时时绷紧消防清静这根弦， 防患于未然 。作为小学生我们要做到不玩火，不带洋火或打火机等火 种，不随意燃烧，榨取在易燃易爆物品处用火，不在公共场合燃放鞭 炮，更不允许将点燃的鞭炮乱扔，不靠近高压电缆且明确自我 ；， 有的同砚为图利便私拉电线，有的同砚一时疏忽忘了随手关掉电源， 课堂空荡荡，电灯,电扇却仍然开着，消防隐患有时便会袒露出来， 一些意外事故也便有可能爆发 。 “远离火灾，创立协调社会”是我们配合的目的，同砚们，让我们携起 手来，越发关爱生命，越发关注消防清静，为 ；ぷ约汉退说钠桨 幸福而配合起劲吧!
,欧美最爽的A片,猛插淫gay片gy2022,国产男人黄色 。【突发：叙利亚首都大马士革传出枪炮声 中使馆紧急提醒 】
责编：李毅
审核：雷方
责编：何雨繁
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
