猫眼影戏
 |
|
猫眼影戏
陈官权
手机审查
猫眼影戏记者 赵福祥 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：高清视屏免费av
??01月06日,天水麻辣烫产业如何持续“上分”？金融业开始整活了,
请同砚们在课间不做强烈的活动 ，阻止爆发种种危险事故;上下楼梯靠右走 ，做到右行谦逊不追逐打闹 ，不拥挤 ，不抢道;不在教学楼内打球、踢球。严禁攀爬栏杆、围墙。
,国产91精品专区。??01月06日,安徽芜湖港三山港区国际航线首航,
“不就是一只鸟吗 ，食物罢了。”小不点满不在乎的说道 ，斜睨它 ，那意思是岂非你很特殊吗？
?第一百五十八章 满载而归,海角老吴,体育生互摸jiji秘 无短裤,一级做a影片a在线视频中文字幕。??时势2：亚洲精品网站
??01月06日,新疆阿克苏地区乌什县发生7.1级地震 27趟列车运行受影响,
一种磅礴威压席卷山林 ，震撼人心！。
,午夜aaa视频在线观看,麻豆AV女优,一起草c。??01月06日,国台办：乐见更多台湾影迷、剧迷能够见到他们喜欢的大陆明星,
第四 ，搞好县委换届 ，是为建设社会主义提供顽强组织包管的需要。从20xx年县委换届以来 ，十二届县委牢牢围绕“整体推进扶贫开发 ，着力建设生态经济强县”的总体思绪 ，团结向导全县宽大干部和群众 ，笃志苦干 ，大胆立异 ，既聚力生长特色工业 ，增进农民增收 ，又推进基础设施建设 ，改善了农民的生爆发涯条件;既增强了手艺培训 ，培育作育了一批新型农民 ，又增强了下层民主政治建设 ，包管了农民民主权力。在肯定效果的同时 ，我们也应该苏醒地看到 ，作为一个贫困的山区县 ，我们在“”时期既要牢靠和生长扶贫开发效果 ，又要为建设社会主义新农村打下坚实的基础 ，难题比先进地区重大得多 ，使命比先进地区难题堪多 ，还必需进一步增强和改善党对建设社会主义新农村的向导。以换届为契机 ，把县委班子建强 ，把目的锁定 ，不但有利于把整体推进扶贫开发和新农村建设连系好 ，有利于增强对新农村建设妄想制订和实验的指导 ，也有利于增强下层党组织建设和体制机制立异 ，更好地把全县各级各部分的主要精神和事情重心统一到新农村建设上来。
,AV黄页,国产精品自拍你懂的,欧洲婬片a免费播放口。??时势3：婬乱A片欧美大片手机不卡
??01月06日,沙特外交大臣：如果巴勒斯坦问题得到解决 沙特可能会承认以色列,
(十一)开展案件整改检查 ，推动以查促防。各银行业金融机构应对其分支机构爆发案件的整改情形举行审计检查 ，并将检查情形实时羁系机构。羁系机构应对辖内银行业金融机构案件整改审计情形举行监视检查 ，评估检查整改效果 ，对整改不力的 ，要实时约谈 ，接纳羁系步伐 ，推动以查促防。
,朱竹清的胸襟距离观察日记,AV自拍偷拍亚洲,欧美特级黄色视频欧美特级黄色视频。??01月06日,（乡村行·看振兴）南昌扬子洲：推动农文旅融合 点亮乡村发展新赛道,
当再次施展宝术时 ，他的每一寸血肉都发光 ，符文隐现 ，犹如一个个宝炉在源源一直的提供精气神 ，让他感受精神饱满 ，通体舒泰。
,成人免费视频❌❌❌在线观看,亚洲一区欧美一区高清视频,18美女胸Ccvm。??时势4：福利视频一区二区
??01月06日,陕西汉中发现古大熊猫化石 保存完整程度国内罕见,
众人惊悚 ，忍不住大叫 ，吓到头皮发麻 ，任谁也没有想到 ，才刚进山脉就遇到了一头远古遗种 ，基础不可力敌 ，唯有亡命而逃。
,欧美日韩一区二区综合在线视频,超黄色爱操视频,黄会赢性爱。??01月06日,环球健康说｜如何有效阻止结核病流行？专家：控制结核潜伏感染是关键,
剩下的那名头领轻叱 ，掌心发光 ，一片炽盛的芒迸发 ，照耀的村头一片璀璨 ，他动用了符文 ，施展出了火光术。
,在线观看男同视频,18禁黄网站禁片无遮挡免费看,美女被 到爽 流爱欲。责编：谢华安
审核：夏桀
责编：萧红
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
