猫眼影戏
 |
|
猫眼影戏
邓杰
手机审查
猫眼影戏记者 王健 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：黄片免费福利视频
??01月05日,1月上海邮轮口岸13艘次邮轮出入境,
“人族原本就生涯不易，在这残酷的大荒中挣扎过活，怎么还会降下这种祸根？！”
,嫩草偷拍精品。??01月05日,悉尼唐人街升级 华人重开中餐厅“延续传统”,
两个小女人咯咯笑个一直，虽然年岁不大，但显着是旷世尤物的胚子，眼睛发光，睫毛很长，一模一样，晶莹可爱。
,97视频网,玖玖资源综合网,白袜子舞蹈生翘臀被c视频。??时势2：皇品汇破解版
??01月05日,【一线调研·加快形成新质生产力】宁夏：创新引领 不断增强发展新动能,
列位先生，同志们，抚今追昔，心潮汹涌;展望明朝，信心百倍。我们要坚持“心齐、气顺、劲足、实干”的精神状态，同心同德，发挥创业精神，捉住机缘，开拓进取，再创绚烂!
,肏在线视频免费观看,亚洲黄色网站视频,梅花十三本子。??01月05日,安徽黄山：烟雨徽州旅游热,
二要夯实事情责任。建设农村低保制度，维护和包管农村难题群众的基本生涯，是各级政府的主要职责。各州里长既是农村低保事情的第一责任人，更是农村宽大难题群众的代言人，务须要把这件实事抓紧抓好、抓出效果。各相关部分要通力相助，配合做好相关事情。民政部分要增强指导、全心组织，将周全实验农村低保制度作为目今民政事情的主要使命，下鼎实力抓紧抓好。财务部分要抓好资金落实，实时足额落实农村低保资金。监察部分要增强催促检查，确保农村低保公正、公正实验。审计部分要增强对资金使用的监视治理。扶贫、农业、统计等部分要自动配合民政部分，准确提供农村贫困户扶贫档案和资料，做好包管工具的核查事情，协助做好包管工具和家庭收入的审定事情。要教育各级干部特殊是乡、村干部熟悉到农村低保是一种义务和责任，要把实验农村低保作为广施爱心的详细行动，带着对贫困群众的真挚情绪做好农村低保各项事情。工具确定要公正、公正，分档津贴要注重现实，事情程序要简朴快捷、利便群众。
,91AV网站在线看,性爱欧美欧美性爱,婷婷五月丁香啪。??时势3：久久亚洲天堂AV
??01月05日,中国驻菲使馆颁发2023年度“使馆之友”系列奖项,
听到族长详解后，孩子们的神色都一阵发白。
,欧美一级特黄AAAAAA在线看片,国产性爱裸体视频,有黄有色视频网站。??01月05日,孟加拉国总理辞职 军方称将组建临时政府,
这头狈第一次起火，这是它脱落下来的牙齿，千般祭炼，是专属于它的强盛宝具，现在却被一个娃子掌控了。
,美女扒开内 给男生玩乳头软件,免费黄片视频,少妇无码一区二区三区免费。??时势4：肥熟女
??01月05日,第十二届全国少数民族传统体育运动会上的西藏健儿 共赴体育盛会 唱响团结赞歌,
二、展望转型生长的灼烁远景，进一步强化责任感和紧迫感 在灾后重修即将取得周全胜利之际，在滨江街道立异转型生长之时，各级党组织和宽大干部要进一步认清形势和使命，切实继续责任和使命，奋力誊写科学生长的新篇章。今年，党工委捉住转型生长的主要契机，以立异转型、品质塑造为总抓手，全力打造“都会生态型田园滨江”、“工业低碳型活力滨江”、“生涯品质型魅力滨江”，力争到“”末，把街道基本建玉成市人居情形最优、经济活力最强、生涯品质最高的新型街道。经由上上下下的重复多次讨论，这已经成为宽大干部的基本共识，成为了凝聚党心人心、科学生长又好又快生长的强盛头脑动力。围绕这个目的，我们亟需开展三个方面的事情：
,91精品国产手机,麻涩部免费 成人 游戏,,天堂在线黄色视频。??01月05日,黑龙江通报7起惩治诬告陷害典型案例,
隐约间，可以见到一头金色的狻猊浮现，恐怖滔天，吞吐日月，让星辰都在颤抖！
,国产一级做a爱免费,综合999精品久久成久久久,色色色,亚洲。【林芝巴宜区鲁朗镇：旅游小镇里“沸腾”的石锅鸡】
责编：王华华
审核：朱瑞虹
责编：蓝简木
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
