猫眼影戏
 |
|
猫眼影戏
裘英俊
手机审查
猫眼影戏记者 赖红燕 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。基于IoA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1：一人在线观看无码视频
??01月08日,中新健康丨国家卫健委：全国发热门诊接诊量呈波动下降趋势,
期待你的，是漫漫征途。
,视频丨9l 丨白浆。??01月08日,美管制对华半导体出口，韩媒诉苦：韩国成“最大受害者”,
并且，青鳞鹰的伤口上在淌黑血，显然中毒了。
,日本欧美日韩综合网站,男女一级a做片性视频频w,淫荡妈妈口交黑人阳具视频。??时势2：女子穿比基尼被挠痒痒的动态照片
??01月08日,“长干古城”将南京2500年建城史推至3100多年前,
“他硬抗下来了宝具？事适用了什么神通护体，太厉害了，不然的话他的肉身岂不是堪比狻猊、饕餮等兽的幼崽。”众人惊呼。
,99riAV无码国产在线看,日韩,～我们换个地方做...又加了。??01月08日,（乡村行·看振兴）乡村振兴视角下革命老区“红+绿”资源转化利用的“娄烦实践”,
这一起上，小清风时时发出惊呼，他历来没有在大荒中闯过，未曾见到过这般恐怖的生灵。
,免费观看无码毛片网址,性xxxxb,被闺蜜男友c了一晚上以后的视频。??时势3：美女一级黄色视频在线
??01月08日,浙江首批航标夹持船正式列编,
第一，要进一步增强头脑政治建设。 要强化党性磨炼。 党委办公室姓党，讲政治、有党性、可靠是党委办公室第一位的要求，这是党委办公室的特殊职位和作用所决议的。办公室每一名事情职员都必需讲政治、讲党性，要有与党中央、省委、市委在政治上坚持高度一致的自觉性和坚定性。同时还要有创立性地贯彻执行党的蹊径目的政策的能力和水平，不可只当“收发室”和“转运站”。这一政治“底气”来自坚实的马克思主义理论功底，来自科学的天下观和要领论，来自辩证的头脑方法和敏锐的洞察力，来自深挚的党性修养。要常修为政之德。修德当以诚为本。忠实守信是为人办事的基本品德要求。俗话说得好“巧伪不如拙诚”。建设诚信社会、诚信政府，党办系统要施展楷模作用，起劲提倡并践行说老真话、当忠实人、办忠实事。要增强律己贡献。从事办公室事情的同志要有一种强烈的责恣意识、贡献精神。要有面临难题，挺身而上的继续;面临危害，绝不退缩的勇气;面临名利，不争不抢的品质;面临清苦，快乐贡献的境界。人们形容办公室主任是“事情上的忙人、经济上的穷人、生涯上的苦人、政治上的‘红人’、家庭里的‘罪人’”。从事党委办公室事情，就是要守得住清贫、耐得住寥寂、经得起磨练，就是要爱岗敬业、公而忘私、任劳任怨，“见欲而止为德”。能够顶住诱惑是一种苏醒，善于顶住诱惑是一种智慧。不为名累，不为利诱，恬淡名利，清静致远，只有这样，才华时刻坚持优异的精神状态，才华真正做到勤政廉政、优政善政。
,男子淫妇❌❌👙👙,chaopeng手机在线视频,婷婷视频网站。??01月08日,中央环保督察通报：四川省广元雅安等地长江支流和自然保护地生态破坏问题多发,
致辞建党90周年来临之际，我们常兴村网站现已开通，我谨代表常兴村党总支、村民委员会，向全村的尊长乡亲，致以热烈的祝贺和亲热的慰问!对全村的、群众、加入新农村建设各项事业的朋侪们致以优异的祝愿。对多年来给予我村新农村建设提供支持和资助的单位体现衷心的谢谢!
,国产会所嫖妓视频在线,桶机免费大全2023,538WWW。??时势4：美女高吹网站
??01月08日,珠海机场北快线北段工程首座隧道顺利进洞施工,
刚走出数里，小不点就遇到了老族长，他极速而来，脸上充满了忧闷与焦虑。
,小萝吃狙全免费播放,美女黄片a,91精品久久久久久久人妻。??01月08日,国家气候中心：中国11月平均气温创1961年以来历史同期新高,
祭灵暴怒，它全身的鳞片飞了出去，身体没有防护，被金色闪电劈中后，受创极重，发出了焦臭味。
,叶山小百合大战女婿全集免费下载,闲云岛 ,亚洲色图激情诱惑。【国家体育总局局长：2023年我国人均体育场地面积达2.89平方米】
责编：紫辰
审核：王艳丽
责编：聂耀锋
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
