猫眼影戏
 |
|
猫眼影戏
华冶
手机审查
猫眼影戏记者 傅家俊 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：老太太AⅤ
??01月03日,百岁老军医苏锦文在南昌辞世 捐赠遗体用于医学研究,
雪白晶莹的兽牙化成光点，神辉洒落，冲向前来，如陨星划过苍穹，绚烂而漂亮，但却散发着恐怖的气息。
,欧美一级特黄大片做受r。??01月03日,秘鲁驻华大使：中国是好榜样、好伙伴、好朋友 ,
向导干部是人民的公仆，顺应民意、化解民忧、为民投契是自己的天职。这就要求我们必需紧跟时代生长的程序，与时俱进，开拓立异，把主要精神用在经济生长和社会稳固上，以求实的作风，始终把人民群众的利益挂在心上，把人民群众的事情抓在手上，要深怀爱民之心，恪守为民之责，善谋富民之策，多办利民之事。以人民群众最体贴的热门、难点问题为重点，实着实在为群众解难题，恳切至心为群众投契益。作为村级干部无论职位崎岖、权力巨细，就是要忠诚地推行职责，用忠实守信的言行赢得组织和群众的信任，真正做到“可靠、有本事”。
,玖玖偷拍,美女视频黄久久,亚洲精品黄色视频小说在线观看不卡。??时势2：60分钟电视剧演员表
??01月03日,创新生态治理，内蒙古防沙治沙与新能源建设如何擦出火花？,
现在科技蓬勃了，人们出门都是开私人车，用饭都下馆子，然而，不少饭店都有用一次性筷子。这些都是对地球有无染的。
,男人扒开女人的嗷嗷叫的视频,最新黄资源永久免费高清,城市激情夜图片小说。??01月03日,中东部雨雪过程今起收尾 气温偏低状态仍将维持,
当你背着书包上学时，看到过指示行人过马路的斑马线吗?当你走到路口，看到过为清静站岗的红绿灯吗?当你乘坐火车、汽车时，听到过“为了您的清静，请不要把头、手伸出窗外”的热情看护吗?在我记事时，就听爸爸妈妈说“干什么事，都要注重清静”;走进校门，先生也教我们要注重清静;识字以后，在工地、路口等危险的地方都看到过“请注重清静”、“清静第一”的牌子。清静真的那么主要吗?是的，它是我们生涯中永恒的主题!
,操操操操资源,免费网站h,美女被变态男扒开内衣强乳。??时势3：拗女VA88
??01月03日,以色列总理拒绝结束冲突换取人质获释,
为了更好地增强军训时代的治理，我校安排四名专职西席协助教官，详细认真军训治理事情。在每班设3名学生主干组建了暂时班委会，详细认真各班的军训一样平常事情。
,操草网站,无码a级,色视频人妖专区。??01月03日,美国伊利诺伊州发生枪击事件 已致8人死亡,
“是什么人，突破了什么极境 ？
,黄色社区欧洲人人操,亚洲欧美人妻性爱视频,91在线午夜福利一区二区。??时势4：国产精品一区二区三区无码视频
??01月03日,特朗普提名亿万富翁领导NASA 曾完成人类首次商业太空行走,
质量就是学校的生命，我们必需义正辞严的抓好教育质量，因此，一直以来，学校对结业班先生的安排可谓煞操心机，在座的列位结业班先生都是学校的主干西席，是学校的中流砥柱。初三结业班是初中阶段的要害时刻，其教学质量在初中阶段中占有特殊的职位，结业班事情是学校整体教学水平的集中体现，是我们学校对外的窗口，对内的模范。中考效果更是直接关系到学校的名声、职位和生长，抓好初三教学治理与结业班的事情很是主要，学校很是重视初三结业班的事情，今天召开结业班西席发动会，就是凭证期初学校事情安排而召开的，旨在统一，统一程序，明确目的，确定步伐，增添信心，为20xx年我校再次取得中考的胜利吹响进攻的军号。 下面我从三个方面向列位汇报一下九年级的情形。
,日本电影网址,忘川和小紫,一级黄片一级毛片。??01月03日,尼泊尔廓尔喀县报告超过1200名登革热病例,
【韩国警方就尹锡悦涉“内乱罪”进行调查】
责编：王晓
审核：成克杰
责编：胡增钰
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
