猫眼影戏
 |
|
猫眼影戏
胡思得
手机审查
猫眼影戏记者 伊夫·弗雷诺 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：帮老师解开蕾丝奶罩吸乳漫画
??01月03日,财政部拟第一次续发行2024年记账式附息（二十一期）国债(1年期),
“哇哦，它可真能吃，拉它尾巴都不恼，就知道笃志啃。”
,日韩性色a v无码。??01月03日,TVB“万千星辉颁奖典礼2023”澳门举行 佘诗曼三封“视后”,
现在不是整理的时间，石村人不剖析他们，急速逃遁，阻止爆发意外。
,欧美三页,免费一级片,全部一级一级毛片免费看18。??时势2：特大巨黑吊性XXXX黑人巨大
??01月03日,两会受权发布｜第十四届全国人民代表大会第二次会议关于最高人民法院工作报告的决议,
狻猊一双金色的瞳孔很是酷寒，全身云烟汹涌，像是海啸一样平常，且有金色闪电冲起，啪的一声击在恶魔猿的后背上。
,人人干人人操人人摸人人搞,黄很黄三级黄网址,亚洲精品网站。??01月03日,台商台企代表参访新疆 探索合作新机遇,
二是要领要适当。各人可能都有这么一个体会，同样加入学习，有的收获较量显着，有的却收效甚微，这就保存一个学习要领是否适当的问题了。怎样捉住难堪的学习时机，抵达事半功倍的效果，我的体会是，要带着问题学，要连系现实学。学习的目的在于运用。关于自己事情中遇到的现实问题，在学习时要有意识、有重点的多学、多看、多研究，一直提高解决现实问题的能力。
,国产偷国产亚洲精品,aa国产视频三级,樱花视频 成人网站。??时势3：国产调教免费视频免费专区
??01月03日,包银高铁银巴支线“接触网第一杆”组立,
“族长，我们将青鳞鹰的蛋给一窝端了，可以孵出远古魔禽的子女，未来也许能比肩祭灵，守护我们的村子！”
,李小冉一晚被躁高潮91,朱竹清被 到爽 游戏,人人摸人人搞人人操人人干。??01月03日,国际知名当代数字艺术家个展亮相德基艺术博物馆,
生长村镇银行，是增进农村地区形成投资多元、种类多样、笼罩周全、治理无邪、效劳高效的银行业金融效劳系统，以更好地刷新和增强农村金融效劳，支持社会主义新农村建设的需要。崇州上银村镇银行向导班子履职以后，将认真贯彻执行《中国银行业监视治理委员会关于调解放宽农村地区银行业金融机构准入政策更好支持社会主义新农村建设的若干意见》的要求，与三农同运气，伴中小共生长。为崇州市的三农经济和社会生长，为崇州市的新农村建设作出应有的孝顺。我们将坚持驻足三农，效劳地方的市场定位，周密效劳，臻于至善，把村镇银行办成社会信任的银行;我们将坚持合规谋划，稳健生长的生长路径，认真落实羁系部分的要求，把村镇银行办成羁系部分定心的银行;我们将坚持相助共赢、以义取利的价值取向，诚信谋划、勤勉事情，以优异的谋划业绩回报股东，把村镇银行办成股东知足的银行;我们将坚持立异成绩业绩、合规创立价值、特色引领生长治理理念，建设充满活力的机制体制，把村镇银行办成成绩员工事业的银行。
,王者荣耀伽罗太华流白浆,黄色片在线观看视频网站,www.szxlhealth.com。??时势4：男c男 黄秘 B站游戏
??01月03日,（新春走基层）上海浦东换上“新春装扮” 缤纷活动邀民众“欢喜过大年”,
青翠欲滴的柳条散发绿霞，看起来柔软无比，可是真正冲来时却比神铁还坚硬，“噗”的一声将飞蛟钉在半空，鲜血一缕缕，沿着绿光莹莹的嫩条淌落，妖异而神秘。
,黄图视频免费的,鸥州黄色性交网占视频,胸片曝光2025年最新版本。??01月03日,甘肃推进积石山县灾后重建：加快进度搬新居,
一种神秘的实力泛起，很是的奇异，与骨书中纪录的上古先民祭天时所爆发的祭祀实力相近，如涟漪般向外扩散。
,一级黄伐,又爽又痛又紧又大A视频,57pao强力打造免费高清高速。责编：赖抡新
审核：梅汝璈
责编：张轶
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
