猫眼影戏
 |
|
猫眼影戏
廖占红
手机审查
猫眼影戏记者 张智 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：偷拍盗摄 - 草泥马视频
??01月08日,全球近百名顶尖电竞选手参与 2024上海电竞大师赛开赛,
此后，他一溜烟跑了。
?第一百零四章 从容淡定,日韩乱伦三区。??01月08日,港区全国政协委员考察紫荆文化港澳青年创新创业中心,
新年伊始，矿上凭证xx年的安排，要求机修厂在xx年实现节约500万元利润的经济目的。使命量很重，迫切要求机修厂全体职工统一头脑，为实现节约500万元利润想步伐，想蹊径。
,欧美黄页在线观看,荷兰世交大直播回放下载网址,中文字幕久久精品无码一区二区。??时势2：欧美视频黄片
??01月08日,天津多举措推动基层健康发展 提升群众就医安全感,
这一次，银月飞出去足有十几米远，将狈村狩猎步队首领眼前的几人差点斩成两截，全都重伤，且划开了头领的肚腹，肠子差点所有流出来。
,av免費黃色網站com,中文字字幕在线一区,色版免费毛片视屏播放。??01月08日,【良法善治】习言道｜更好发挥宪法在治国理政中的重要作用,
全天下人民早就最先了行动，；っ恳豢檬饕丫晌嗣啃∥宜郊壹缟系脑鹑。由于我们都知道，若是没有了树木,地球就失去了主要的氧气泉源,若是没有了树木，水土就会流失，土壤就会沙漠化，土地将不可再播莳植物，人类将没有食物。若是没有树木，鸟儿就没有了家园，动物就没有了栖息之地，它们就会濒临殒命。若是没有了树木，大宗紫外线将危险我们的皮肤，地球温度会越来越高，人就不可栖身，人类将面临失去家园的；。
,国产成人瑟和尚久久久久,2019狠狠操,成年人免费视频在线看。??时势3：校园激情乱伦网
??01月08日,“中泰一家亲”迈入“免签时代”,
第二个相助模式。首先芜湖亿万多超市，是以非洲配送中心为基础，着实就是一个样品展示中心。相助模式有两种，营销和代销。结算方法我们和海内所有的超市结算方法是一样的。下面这张图，就是我们芜湖亿万多超市的平面图纸图。各人可以看看。日用百货，箱包家具，玻璃陶瓷等等。一层是3000多平方米，二层主要是旅馆商品，谋划面积也是3000多平方米。另外我们不但仅是外经广场的亿万多超市，在大学城尚有一个德胜广场。项目所处地周边细密围绕着7所大学和6处大型住民小区，地理位置十分优越，项目辐射人群可达20余万人。该项目是芜湖大学城板块最大的都会综合体项目，也是芜湖最具商业价值的大型商业项目。设有20层五星级旅馆、16层大学生创业办公楼、4层中高端购物中心以及1.2万方地下超市，天地亿万多连锁店。这是一个很是很是的好商业综合体。事实学生的生意好做，位置在花津南路，老纬七商业街原址。下面，我要把天地亿万多超市的优点和定位做一个综合性的叙述。首先外经广场天地亿万多超市和非洲配送中心。着实就是一个一站式的配送效劳平台，他虽然对周边举行销售。可是更大意义上他着实是一个商品展区。外洋的配送都是以我们这个超市的产品做依据。向外洋发配。第二个定位周边效劳，平时做周边的营销，销售，同时使用我们外洋的资源。我们外洋的优势产品，包括外洋的木雕，石雕，布染，这些异国风情的产品带进我们的超市。吸引客户。第三个是订单式效劳，什么是订单式效劳，由于我们在外洋熟悉许多很富有的商人。他们都是在海内订货，许多都是通过我们的超市举行订货。那么使用我们资源，我们可以将他们带回海内，带回你们家。去订货。不要局限于我们每年5个亿的采购，要害是为你创立走出去的平台，蓬勃创富的时机。谢谢各人。
,18禁污,国产精品九色,欧美一级一片。??01月08日,十五运会和残特奥会视觉标识征集作品显粤港澳特色,
火国公主天姿国色，站在这里极其引人瞩目，可是旁边站这着一个熊孩子，让人以为大煞景物，许多人都想揍他一顿。
,欧美A网,欧美一级免费电影,国产免费A片在线观看全网站。??时势4：欧美三级性爱大片
??01月08日,昆仑万维2024年半年报：实现营收25亿，AI应用加速落地,
那里鳞甲脱落了不少，防御力降低，马上有血光崩现，可依旧未曾将怪蛇斩断，只切进去拇指深罢了，它的肉与骨极其坚硬，硬是抵住了。
,在线xxxx,产奶+失禁+调教+惩罚+高潮,欧美精品黑人粗大欧7m。??01月08日,杭温高铁迎新进展 全线接触网架设贯通,
紫山昆大喝，通体发光，紫气冲天，一轮紫色的太阳飞出，迅速放大，当中孕有一头紫色火鳞，仰面长嘶，烈焰腾腾。
,911视频,性色欲情免费网站,尤物视频一区二区。责编：祁隽
审核：陈红村
责编：韩小雨
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
