猫眼影戏
 |
|
猫眼影戏
野坂参三
手机审查
猫眼影戏记者 毛秀丛 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：玄兵大战倾辛全部作品
??01月05日,以色列防长宣布该国在未来48小时内进入紧急状态,
告诉自己——“我行!”“我一定行!”
,国产欧美日本专区情侣。??01月05日,短视频不是法外之地,
铁箭又一次碰撞在一起，震的山林都有嗡嗡颤音。
,亚洲欧美日韩一区二区在线观看,强制高潮调教无码视频,亚洲一级毛片无码超清。??时势2：大鸡巴插入逼
??01月05日,已故大师“复现”，数智人大学还远吗,
在此，我代表学院对获得上述殊荣的同砚们体现热烈的祝贺。同时，也希望你们继续受苦学习，继续认真事情，一直提高自身的综合素质，为20--级的学弟学妹们做一个好模范，随处起到模范带举措用。
,9l制映画片,综合视频区,维多利亚奴仆的供奉。??01月05日,无人机秀“点亮”江苏盱眙夜空“绘制”光影画卷,
交通事故起诉需要哪些质料？
(一)民事起诉状，人民法院和每位被告各一份;
(二)证据质料，主要包括:
1、医疗机构出具的医药费、住院费等收款凭证、病历和诊断证实;
2、医疗机构出具的误工时间证实、事情单位出具的收入证实;
3、用以证实交通费的正式票据;
4、受害人及近支属的户籍证实，如受害人系农村户口，最好提供爆发交通事故时已在城镇栖身一年以上、且有牢靠收入的证实;
5、受害人损失劳动能力或者伤残的证实;
6、被抚育人与受害人系近支属的证实，以及被抚育人为未成年人或者损失劳动能力又无其他生涯泉源的证实;
7、其他证据质料，如《交通事故责任认定书》等。
以上证据质料需凭证案件详细情形做响应增减，并按民事起诉状的份数提交给人民法院。
(三)还需向人民法院提交原告身份证复印件或者营业执照副本复印件等质料。
(四)如委托状师署理，需与状师事务所签署委托署理条约，签署授权委托书。
?金条逾期了会坐牢吗，起诉流程是什么,国产精品一区二区网址,面具公社,草榴社区最新地址。??时势3：淫水丝乳
??01月05日,二月二“龙抬头”探访宁夏银川“托尼哥”的“移动理发店”, “这是大凉山支教研学项目的一个宣传，该项目正在招暑假公益自愿者。”小武是浙江金华一所高校的学生，他告诉记者，自己是从上述机构的宣传中相识到“大凉山缺乏英语先生”这一信息的。连系照片里孩子们一双双渴修业习的眼睛，让小武对大凉山“教育落伍”“缺先生”等情形深信不疑。,亚洲精品无码久久久久9999电影网,天天久久狼狼色综合,女女女女。
??01月05日,6月13日人民币对美元中间价报7.1122元 上调11个基点,
“四太爷，求你不要杀我娘！”另一边，重瞳的石毅再次启齿，银刀沾血，划伤了脖子。
,欧美精品 在线播放,三级坐爱网站,s鈥唜69.鈥唗o鈥唒。??时势4：女生肛门里塞了8个小皮球官方版
??01月05日,老牌工业城广西柳州培育智能终端及机器人产业,
京东白条欠两万多会起诉吗处置惩罚 息争决计划。了解京东白条欠两万多会起诉吗会带来的效果，实时还款阻止不须要的纠纷和执法危害。 现在京东白条逾期没有详细划定多久会上门催收或者起诉，可是京东白条逾期时间过长有可能会上门和起诉的，京东白条逾期属于违约行为，京东方面会安排催收。 白条逾期后的第1、3、5...
??01月05日,（经济观察）设“有罪推定” 欧盟惹众怒,
一样平常情形来说，宝骨脱离肉体后时间不会太长其符文就会隐去，与骨头熔炼在一起，可以成为宝具，可是却再也难以参悟了。
?第一百八十章 融合,一级特黄AAA免费看直播,国产免费又爽又黄又刺激的视频,国产欧美日韩久久一区二区。【（身边的变化）山西永和：电力赋能乡村振兴 小村庄实现大变化】
责编：杜文龙
审核：刘菲菲
责编：李颖科
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
