猫眼影戏
 |
|
猫眼影戏
丽提·史密斯
手机审查
猫眼影戏记者 辛建 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：日韩在线不卡视频
??01月08日,当外交遇上书香 | 以书为媒，看总书记欧洲之行,
二.从学习中追求知识，从认知中学会做人。
,妓女,妓女影库,妓女网,妓女视频。??01月08日,从高原孤岛到美丽边城 西藏好物走向世界→,
作为大一新生，我们一定从以下几方面起劲：
,欧美一级人爱视频18,李小健吕安妮,欧美XXⅩ射清。??时势2：在线视频永久免费caopo4
??01月08日,云南三所乡村小学合唱团新年初啼 唱响“田埂上的童年”,
三是精神文明建设和民主法制建设的需要。
,打屁股91,又粗又长的黃片,国内精品免费一二三区三。??01月08日,中国商务部：任何国家和地区都不应滥用出口管制,
乱石崩飞，很快就挖开了深坑。突然紫光一闪，一道绚烂的匹练射了出来，径直朝着青鳞鹰飞来。
,午夜福利合集92精品人妻,小花のん宣宣电影网,媚黑在线观看。??时势3：a级免费观看
??01月08日,贵州台江：苗族同胞盛装巡游欢度“姊妹节”,
“下手这么狠，真是不讲规则啊。虽然两村相隔数十里，各守一方，险些不晤面，但事实同生涯在这片山脉，怎么也要讲一些人情啊，以前可不是这样的。”一位族老叹道。
,www .97干.com,35pao 18岁禁,欧美视频亚洲性爱。??01月08日,中关村论坛年会期间将举办中关村国际前沿科技大赛总决赛,
今天下昼，校长通知我们去学校大屏幕前寓目清静知识小影戏。片子中讲述了种种在危险中自救的要领，如：在火灾中，应用湿毛巾捂住口鼻，趴在地上匍匐前进，这样才华仅可能避免吸入浓烟，清静脱离危险地Ｉ杏性诖┰秸釉笫，要用木棍探明虚实后才可以行走，不然一不注重就会陷入其中，难以自拔……听了这些，使我受益匪浅。着实，不要去说火灾等严重的灾难，就是在我们身边也常有一些不幸的爆发，只由于某些鸡毛蒜皮的小事以及没有清静知识而酿成苦果。
,色网你懂的,欧美黄色A级黄色视频A级,男生顶女生的网站。??时势4：国产免费黄色在线网站
??01月08日,十年，为一个山冲“筑梦”, 本轮高温历程与往常差别的特点体现在：地温高、一连时间长。山西、陕西、河南、河北和山东等地午后地表温度可能超60℃，局地甚至可超70℃。并且高温不但一连多日一直，一天中高温的一连时间也可能抵达8小时甚至10小时以上。河北南部、河南北部、山东部分地区高温甚至从10点前后就最先，到了晚上19至20点才陆续竣事，有种“高温陪你上下班”的感受。,米塔瑟瑟同人,欧美色天色噜夜夜,日本免费在线。
??01月08日,江苏南京：三棵千年古银杏迎来最佳观赏季,
三是进一步规范村级财务治理机制。 一要建设村级财务预决算制度，提高村级组织自身的谋划治理水平。要制订村级可用收入和支出的预算妄想，提交村民代表大会讨论通过，并举行决议转达。增强内部支出治理，严酷开支审批制度及其他财务治理制度。严酷执行“村整体经济不可为小我私家和企事业单位提供担保”的划定，以镌汰村级整体经济危害。二要对村内兴办重至公益事业项目，实验“一事一议”。村内举行农田水利基本建设、修建村级蹊径等公益事业，所需劳务和资金，凭证“谁受益、谁肩负”的原则，先由支部探讨，再由村民大会民主讨论决议，事前要明确项目和筹资方法及招标方法，事中要落实责任和增强监视，事后要果真帐目。三要起劲推进村帐署理制度。在村可用资金所有权、使用权、审批权、核算单位和监视机制“五稳固”的条件下，做好“按期报帐制、记帐署理制、会计聘用制”为主要内容的“村帐署理”制，既能压缩非生产性开支，又能对经济运行中的问题能实时获得反响，以便实时接纳步伐加以解决。四要健全村务果真和按期审计制度。凡属群众体贴的热门问题，以及村里的重大事项必需实时向村民果真，在坚持统一村务果真日的基础上，至少每季度果真一次，做到内容、形式、程序、时间“四规范”，并且要流通反响渠道，进一步提高透明度。同时，要普遍实验年度审计、届前审计和离任审计，切实增强监视力度。五要严酷执行收支政策和划定。对村级整体应收欠款，应举行一次周全整理，限期收回，要凭着实事求是、量入为出的原则，严禁逾越村级财务效劳，严酷划定非爆发性开支的标准及比例。阻止超财务效劳的征象，对兴办重大建设项目，可在届内平衡的条件下搞建设。对村的公共设施、社会事业建设、养老金支出及村民福利等，要实事求是。
,国产精品视频7171,踩踏天地足艺阁拜脚网,综合色一色综合久久网88。【（新春见闻）探访春运里的“京沪神车”】
责编：沐春风
审核：李清照
责编：托尼·苏马帕乌
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
