猫眼影戏
 |
|
猫眼影戏
浦兴祖
手机审查
猫眼影戏记者 车美霖 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：欧美久久久久精品一区
??01月08日,寒潮来袭！请收好这份防摔指南｜科普时间,
“是我 ，祖爷爷 ，我看你来了。”小不点捉住他的手 ，语声哽咽 ，另外几个老人都走了 ，他都没有来得及送上一场。
,亚洲精品乱码久久久久久真人。??01月08日,（两会观察）7天人代会：“小片段”折射民主“大全景”,
今天我们在这里召开中共对外经济商业大学第十一次党代会准备事情发动大会。本次聚会主要就我校准备召开第十一次代表大会作安排。出席今天聚会的有全体第十次党代会的代表和各学院各部分的党政一把手。
,四川BBBBBBSB肥胖,KTV包间多P在线播放,www.shajm88.com。??时势2：禁漫天堂 在线入口
??01月08日,首来湖北台青的新年愿望：盼两岸交流更顺畅,
七年级新生已跨入中学大门 ，从今天起 ，你们就最先了自己学习生涯的另一个征程 ，希望同砚们从进入中学校门的第一天起 ，就有一个新的妄想 ，严酷要求自己 ，遵守校纪班规 ，起劲学习 ，勤劳上进 ，争做一名及格的中学生!九年级同砚已进入人生主要的选择阶段 ，从今天最先 ，你的手中就握着你自己的运气 ，从今天最先 ，你的学习生涯一切要求就要更强、更高 ，希望你们不要无所作为怨恨终身 ，谁要是游戏了人生 ，必将会一事无成;谁不可主宰自己 ，就永远是一个仆从 ，唯有斗争 ，才华征服运气之神。正如我们南教学楼的名字：(行健楼)“天行健 ，君子以自强不息;阵势坤 ，君子以厚德载物” ，斗争才是乐成的法宝 ，生命不止斗争不息。正如我们北教学楼的名字(励志楼) ，俗话说：“有志者事竟成” ，“志不立 ，天下无可成之事”。志当存高远 ，远雄心向可以给人斗争的动力。励志 ，
,91无码人妻,野外三级黄片,cosplay自慰喷水。??01月08日,邯郸国际陆港“公转铁”项目全面开工,
增强村级干部培训 ，是贯彻落实党的xx大、xx届三中全会精神的需要。党的xx大对我国农村经济、政治、现代化建设做出了周全安排。既有统揽全局的思量 ，又有详细着实的安排;既有很强的针对性 ，又有可行的指导性 ，可以说是集头脑性、政策性和操作性于一体的纲要性文件。通过培训 ，使宽大村干部深刻明确党的xx大、xx届三中全会精神的实质 ，进一步认清目今农业和农村经济形势 ，充分熟悉增添农民收入的主要性和紧迫性 ，明确中央关于增进农民增收的总体要求和政策步伐 ，增强做好农民增收事情的责任感和自动性。
,亚州aV无码久久精品色欲,亚洲一级片视频,99精品视频在线无码A片。??时势3：2021国内免费无码自拍视频网
??01月08日,北江可能发生特大洪水 珠江流域应急响应级别提升至Ⅱ级,
若非担心牵连子嗣 ，他们早就逃走了 ，由于修为都极其恐怖 ，一晃已往多年 ，几人都已步入晚年 ，生命无多了。
,大 B,又大又硬又猛又黄又湿又爽,人人操人人高潮喷水。??01月08日,塔里木河两岸金色胡杨迎来最美观赏季,
随着天下亿万学生阳光体育运动的正式启动, 面向天下各级种种学校全体学生的一项大型群众性体育活动拉开了序幕。这次活动提出了康健第一、强壮体魄、天天磨炼一小时, 康健事情五十年, 幸福生涯一辈子的口号, 真正让体育磨炼和全民健身运动深入人心。
,女人扒开下面喷白浆,国产末成年AV女在线播放,日日操草。??时势4：换脸三级片在线播放
??01月08日,5%成过去 专属商业养老保险结算利率出炉,
已往的一年 ，我们围绕中心 ，鼎力大举实验招商引资 ， 扎实推进重点项目建设。 先后引进 投资51.1亿元 的 中铁置业集团公司相助实验高铁新区起步区建设、投资6.6 亿元的 化工技师学院迁建项目、投资100亿元的奥特莱斯生态购物城项目、投资3 亿元的 天下公园项目、投资5亿元的光大垃圾发电项目顺遂招商签约、落户高铁新区。完成投资1.8亿元 ， 基础设施建设实现投资 7200万元 ，完成了 平安路项目30 万M3 土方清运和20xx 余米管道铺设部分工程、洪河桥项目底板预制、桩基施工等工程、站前广场综合刷新部分工程、联迪商务中心刷新工程项目等 ，新区建想程序进一步加速。
,埃及猫黄化的视频,火灵电影网,一級免费视频。??01月08日,王沪宁会见柬埔寨人民党主席、参议院主席洪森,
“咦 ，族长来了！”金狼部落的人惊呼。
,黄片视频久久久91,在线免费一级AV电影,国产黄色精品视频。【F1期间《中国车手周冠宇》上映，周冠宇个人商业价值几何】
【世界女排联赛香港站打响 中国女排3比0完胜保加利亚】
责编：康巴人
审核：赵凯
责编：侯正方
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
