猫眼影戏
 |
|
猫眼影戏
罗长刚
手机审查
猫眼影戏记者 布伦迪奇 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：最新国外哟哟aⅴ网站
??01月07日,大力培育“土”工匠，绘就乡村新画卷,
老狈受惊，迅速逃避，嘴里符文闪灼，凝聚成一片霞光，喷吐而出，轰的一声与那只模糊的凶兽撞在了一起。
,美女100%全身露做动作。??01月07日,公安部公布6起打击整治非法制售“特供酒”犯罪“净风”专项行动典型案例,
墟落两级干部都要增强事情的自动性、起劲性和前瞻性，随着农村一系列、全方位刷新的一直深化，这就要求我们必需转变古板的头脑方法和事情要领，以全新的头脑方法来谋划事情，以无邪事情要领来解决事情中的难题，要切实转变以前那种按部就班、头脑置后、事情被动的状态，要细密连系本村、本单位的现实，创立性地开展事情，从现在起就要干目今、想明年，及早思量，超前谋划明年岁情的思绪和重点，力争使各项事情取得新的更大的效果。这次聚会之后，各村、各单位的一个主要使命就是尽快召开聚会，连系各村、各单位现实讨论研究制订下半年的事情思绪和目的使命，切实解决目今保存的影响事情进度的问题。
,桑拿喝酒国产精品久久久久精品te,影音先锋欧美精品,男人和女人生豆浆。??时势2：欧美三页
??01月07日,港澳青年逐梦大湾区,
“你们想怎样？”一位年岁很大的族老颤颤巍巍的上前问道。
,在线观看av的网址,国产A集黄色视频,亚洲黄色熟妇视频。??01月07日,三亚警方：孟某某被行拘,
一时间火星四溅，铁箭射在三只幼鸟的身上，发出“铿锵”之音，如金属在交击般，实力十分重大！
,草久伊人,3d李慕婉 黄漫网站,很黄的免费黄色视频。??时势3：十大黄直播免费版官方版下载
??01月07日,“班公柳之乡”——日土县热角村：苗圃产业兴 村民腰包鼓,
拳头大的金色毛球只是尖叫，大眼瞪的滚圆，它也说不上来，只是一种本能让它以为很危险，急躁担心。
,免费观看黄色一级A视频,男女交配软件,日本十八禁免费看污网站。??01月07日,美国务卿布林肯突访北约总部 背后有何深意？,
第三，坚持统筹兼顾，充分验展好综合协调作用。“ 总揽全局、协调各方”是党委的主要事情原则。加速生长，党委是司令部，是指挥中心，但需要几套班子和各地各部分同心协力、亲近配合，搞好“大合唱”，才华确保各项使命落到实处。为此，党委办公室必需善于统筹兼顾，善于综合协调，普遍调动各方面的起劲因素，协调解理好方方面面的关系，综合运用向导实力、部分实力和群众实力，营造向导抓、抓向导的气氛。从协调的内容看，党委办公室要善于抓大事，抓要害环节，抓主要单位。从协调的工具看，党委办公室对内要相同协调党委向导班子，对外要相同协调党委、人大、政府、政协等向导班子，对下要相同协调下级党委、政府及同级职能部分。通过党委办公室这个运转枢纽，增强综合协调，多轮齐转，形成事情协力，推动全局事情。
,亚洲熟妇Av导航综合网,持一级黄色,网站一级持一级,美女脱👙看见大白奶。??时势4：黄色视频网止在线观看
??01月07日,张健任浙江金华代市长,
“天啊，它要进来！”许多孩子脸上一下子失去了血色，变得惨白无比。
,免费一级a毛片在线播放直播,黄片毛片大全,91精品第一国产综合精品蜜芽。??01月07日,日本民调显示自民党解散派阀无助挽回信任,
“轰”的一声，村外灰尘冲天，青鳞鹰松开了巨爪，一头庞然大物坠落在地上，砸出一个大坑，土石飞溅，烟尘冲起。
,91精品国产一区二区三区四区,欧美狂C,成,人免费视频在线观看播放。责编：李维康
审核：理查德·托德
责编：彭小虎
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
