猫眼影戏
 |
|
猫眼影戏
倪志琪
手机审查
猫眼影戏记者 方欣 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：欧美淫秽精品
??01月03日,“武”“舞”相融 舞剧《咏春》在广西桂林盛大开演,
勿以善小而不为，勿以恶小而为之。从我做起，从小做起，从身边做起，从现在做起。让我们的天空越发蔚蓝，让大地越发苍翠，让空气越发清新，让我们的家园越发漂亮。
,汗爆乳風間ゆみ无码原创区。??01月03日,能“摸出来”的结婚誓词：我国视障人士首次使用无障碍格式文件完成结婚登记,
同志们，时代创立了你们生长的机缘，人民付与了你们生长的权力，党委政府给予了你们生长的舞台，希望你们要倍加珍惜这来之不易的一切，牢牢围绕党委政府年头提出的事情思绪，“咬定一个目的，突出三个重点，实现五大突破”，为我镇早日步入长沙经济强镇而起劲斗争!!
,九区毛片视频,3344成年在线视频免费,寡妇高潮一级。??时势2：人人操免费公开
??01月03日,京沪鲁携手开展核能公众沟通 激发年轻人对“硬核”知识的兴趣,
而他们狩猎步队中的头领也大叫，要求谈判，他高足有两米三四，气焰迫人，可是此时却再也不似适才那般强硬与咄咄逼人了。
,国产一级二级三级不卡在线,啊啊啊啊啊啊啊啊免看,久久99114a片。??01月03日,（经济观察）“两国双园”建设深化福建与东盟经贸合作,
“石村的朋侪，你们出够气了吗，差未几就行啦。”狈村的人焦虑，在这样下去，天才就要成残废了，到时间与死狗有什么区别？
,欧美性农场性另类XXXXXXX,亚洲色图伦乱图片偷窥自拍,火影照美冥强 乳喷自慰爽。??时势3：裸交 强交
??01月03日,以城市之窗展现浙江风采：杭州民营经济何以创未来？,
刚跨进大学校园时，懵懂的我也曾和现在的你们一样，都会问自己这样两个问题：“我来这儿做什么?”“我将成为一个怎样的人?”是的，人生犹如夜航船，一个个始终警省自己的问题就是一座座塔基，而我们的回覆就是点亮自己的灯塔。当思索这个问题时，我们正在为以后三年或者越发久远的未来树立一座灯塔，只管前路漫漫，航灯迷烁，但一步步走来的我们将一直修正航向，向着谁人人生的坐标原点进发。
,一级毛片免费看高清视频在线,福瑞本子,国产第一区国产日韩欧美。??01月03日,北京海关缉私局连破两起走私烟草案,
1、广发是农业大乡，但农民意识看法更新慢，习惯于古板的生产和生涯方法，知足于“种田饱肚，养鸡买盐，喂猪过年”，安份于“吃欠好，饿不死，富不了”就行了，以至于古板的“牛耕肩挑”的生产方法没有改变，农村土地流转渠道不畅，规模农业难以形成，客观上造成了“想种田的田太少，不肯种的田抛荒”的时势，农民整体素质又不高，绝大部分年岁轻、有文化、有能力的又不肯务农，而是外出务工、就地做生意或转化为工业工人，导致专业农民步队的萎缩，农民靠农业增收的难度大。
,√天堂中文www官网在线,国产产在线精品亚洲A福利,免费一级AA片毛AAA毛片。??时势4：美女+光屁屁+露胸+大腿游戏
??01月03日,巴西中医义诊二十余载 展现医者仁心,
“原始真解？”小不点惊异，这个名字听起来十分不凡，曾被一团光裹着，与柳神一起坠落石村，想必泉源惊天。
,美女裸体开腿玩小玩具电影,玉莆田之偷亲宝殿,亚洲av试看。??01月03日,62年来首次 政府被议会推翻 法国总理5日将递交辞呈,
小不点原本聪慧可爱，至尊骨与生俱来，原本可以睥睨天上地下，效果却被人夺走宝骨。他的身体严重退化，连最亲近的人都认不出来，话语都不会说了，岌岌可危，甚至命都保不住了。
,A级片免费一区,插视频在线综合在线综合,57pao强力打造免费高清高速。责编：叶童
审核：安翊青
责编：王大伟
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
