猫眼影戏
 |
|
猫眼影戏
汪丽发
手机审查
猫眼影戏记者 周楚楚 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：欧美色噜噜视频在线
??01月03日,孟加拉国青年看中国年：不一样的民俗一样的和美,
妄想是第一资源，妄想的效益是最大的效益，妄想的失误是最大的失误。增进城镇康健生长，必需充分验展城镇妄想的指导和调控作用，体例一个好的妄想。一是加速城乡妄想体例程序。凭证城镇化生长的需要，进一程序整完善市县域城镇系统妄想，优化城镇结构。鼎力大举开发详细妄想体例，完成新区控规，周全启动专业妄想体例。中心城区和各县城要在总规的指导下，争取在三年之内完成交通、电力、环卫、环保、景观风貌与历史文化；ぁ⒍蓟崧糜蔚人凶ㄒ低氲奶謇。围绕建设社会主义新农村，在年之前周全完玉成市新一轮村镇妄想修编。“”时代，每年要完成个村镇妄想体例事情。二是提高妄想建设设计水平。要坚持以人为本、因地制宜。牢靠树立高标准的妄想理念和妄想超前意识、精品意识，确保经得起历史的磨练。要坚持突出特色、注重品位。对主要地段、主要节点、标记性修建的妄想设计要优中选优，严酷把关，切实解决千城一面、千街一面的问题，凭证各地资源秉赋、特色优势、历史文化、风土人情和城镇风貌确立奇异的建设气概，着力塑造各具特色的城镇形象。坚持同步妄想、配套建设。搞好都会供水、排水、燃气、供电、电信、有线电视等种种管网的综合结构，战胜“重地上、轻地下”的头脑，坚决杜绝“今天建、明天挖”的铺张征象，避免种种盲目建设、重复建设。三是增强妄想统一治理。要明确妄想实验的主体和责任，严酷妄想治理，维护妄想的权威性、严肃性，计齐整经批准，不可因向导干部或向导班子变换而随意更改，确需调解的，应按法定程序审批。做到“计齐整张图，审批一支笔”。进一步加大妄想监察力度，严肃查处种种违法建设。
,超爽超刺激的黄页网站。??01月03日,高校体育场地如何开放才合理？,
这一日，大地上鲜血飞溅，不知有几多部族被灭，凶禽猛兽横行，洪荒异种出没，席卷所有有人烟的地区，这是一场浩劫。
,性爱视频午夜,直接看av网址,十八禁十八禁AV免费网站。??时势2：玖辛奈被扒开腿做
??01月03日,工信部：2023年中国老年用品市场规模达5万亿元,
族长将昔时的事情说了出来，心中一下子轻快了不少。昔时那对匹俦很是强盛，可并没有怎么提及谁人古国，因此许多事情并不清朗。
,黄色浏览网站freechinese,久久久久久久久久久久久精品,宝贝...趴在床上再来一次原神。??01月03日,首届浙江省中美合作办学工作研讨会召开,
马上就要结业了，我也要为母校做出一些孝顺，我会为弟弟妹妹树立一个好模范，以自己最好的效果往返报她。
,久久AAA级毛片免费看,男生和女生抜萝卜视频,18 视频。??时势3：欧美性三级
??01月03日,中法童声合唱团唱响海南黎乡：音乐架起友谊桥梁,
早上好！
,中国chinagary武警飞机,A视频大全黄色片,吴梦梦《丰满的乳液》60分钟。??01月03日,新型消费彰显市场活力,
紫金蛇与血貂配合太默契了，适才似乎经由演练一遍，这让小不点赞叹，这些生灵果真都有着极高的智慧。
,zooskooi,国产区性爱在线,美女姐姐让我操流白浆。??时势4：草莓芒果秋葵香蕉丝瓜绿巨人
??01月03日,受少子化影响 台湾学生总数连续5年减少,
1、文明教育是小我私家修行的需要？埂拔拿鳌苯逃，有助于提高我们全体师生的头脑品德水平，文化修养水平;提高我们的“情商”，改善人际来往。增进我们做一个“知书达理”的人，做一个有文化修养的人，做一个有高尚品位的人，做一个受人接待，受人尊重的人。“文明”能使我们的生涯变得越发优美，获得更高的幸福体验。
,老太婆性杂交欧美肥老太,jchyw.vip域名出售,欧美色视频日本片免费。??01月03日,“网红城市”持续上新 如何将流量转化“留量”,
空中，紫云、大鹏、小青长鸣，追随下来，送出百余里，在小石昊一直地申饬下，才依依不舍的返回。
,美女被触手狂揉下部❌动漫,jiZZjiZZji ZZ亚洲熟女,欲漫涩app 网站成人版。责编：王德旭
审核：吴宜璟
责编：蔡为民
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
