猫眼影戏
 |
|
猫眼影戏
刘春冰
手机审查
猫眼影戏记者 马正超 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：别告诉MaMa免费下载
??01月08日,北京养老服务网助力“环京养老圈”服务资源对接共享,
远古时期，神禽、天阶凶兽等以此来权衡子嗣，判断日后的成绩，但并非每一个幼崽都有那种极境潜能。
,中文字幕,大黄片。??01月08日,55位在沪海归艺术家为时代画像,
一是牢牢捉住政策推进的新机缘。中央把城镇化作为“”时期的主要生长战略，以后将逐步建设健全与城镇化生长相顺应的各项制度，消除制约城镇化的体制性障碍;将加大城镇基础设施投入，特殊是城镇户口进一步铺开，将为城镇经济生长和农村生齿转移提供有力包管。随着国家增进中部崛起和新农村建设的深入推进，将会出台一系列加速中部地区生长的政策步伐，包括加大资金投入，这将极大地改善中部地区的生长条件和情形，有力地增进新野城镇化大生长。二是牢牢捉住工业转移的新机缘。经济全球化的深入生长，国际海内资源和工业向内地转移程序加速，在承接这种转移中，我们处于承东启西的有利位置，能够赢得生长先机。这将有利于承接资金、手艺、人才等生产要素，推动工业集聚和生齿集聚，加速城镇化历程。
,国产乱人视频在线观看ktv,a级毛片黄污观看,午夜一级毛片免费播放。??时势2：男人摸胸舔下面视频
??01月08日,推动妈祖文化走向世界 首届“妈祖文化与区域发展”研讨会举行,
“太恐怖了，它能将这座矮山给剖开吗？长时间下去该不会真能崩开石洞，将这里夷平吧。”
,在线观看黄A片免费无毒网站,黄片视频大全免费看,久久亚洲热综合久久。??01月08日,“代买火车票”收取好处费 两人在北京南站被行拘,
吭哧吭哧，另外两只青鳞鹰大鹏尚有小青也跑了过来，用头蹭小不点，有智慧的凶禽比人类更盼愿实力，教它们骨文，可以令它们加速生长。
,国产福利片一级A片,欧美性爱偷拍视频网站,nga饭局花花200张。??时势3：小医仙穿三角形泳衣
??01月08日,福建构建“大武夷文化旅游圈”,
它这般强盛，若是通常可以容易摧毁一个村子，现在却这般审慎，令人无奈。
,欧美13一18粉嫩P,日韩精品视频免费专区在线播放,欧美日韩人妻自拍。??01月08日,第二届西藏青少年铸牢中华民族共同体意识主题演讲大赛社会海选举行,
“嗯！”小不点认真颔首。
,www.亚洲色图.com,啦啦啦在线观看视生学,一个在上面吃一个在下面膜在线观看视频。??时势4：欧美一二
??01月08日,“能量舱”虚假宣传“包治百病” “加盟局”更坑人！,
家人们，相信我们的乐成绝对不是无意，今年开春以来，我们公司整个事情气氛有了很大的改变，又似乎回到我们东京三年前的那种火爆的埸面，个个都非Ｆ鹁，很想做好，对目的欲望也很是强，形成你追我赶，激情汹涌的事情状态，今年我们公司增添了许多新的家人，他们的加入前经由总监与李萍小明向导的培育下，以及师傅们的资助下，很快就融入到我们的各人庭，并且能在较短的时间内为公司创立价值，他们的起劲为我们公司的生长注入了新的活力，这就是培训学习的实力，希望我们向导一如继往的重视对员工的培训，相信这也是能资助员工提高业绩最有用的的要领，要想打胜仗，就要训练出一支会打胜仗的兵!在此再次向三位向导先生们，师傅们致敬，你们辛勤了。
,高清69XXXXXXXXX,午夜性生活免费视频,精品乱伦。??01月08日,740支队伍参赛 “古剑山”第一届全国大学生网络攻防大赛落幕香港美协举行第三届主席团及理事就职典礼,
三、作育自主学习能力、纠正不良学习习惯。自主学习就是以同砚们作为学习的主体，通过自力的剖析、探索、实践、质疑、创立等要领来实现学习目的;可以资助同砚更好的掌握科学文化知识。而少数同砚保存着怕学习、懒学习和不学习的坏习惯，要勇于挑战自己，改变自己的缺乏和弱点，争做学习尖兵。著名的数学家华罗庚曾说：“一切创立发明，都不是靠别人教会的，而是靠自己想，自己做，一直取得前进。”你们必需要学会自力自主学习，未来才华学有所成。
,亚洲区欧美中文字幕久久,AV天堂久资源网AV天堂,亚洲黄色第一。【筑牢长三角生态屏障 浙皖六地人大联动监督林长制】
责编：沈耀钦
审核：曾宪松
责编：唐长寿
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
