猫眼影戏
 |
|
猫眼影戏
茅家埠
手机审查
猫眼影戏记者 林火灿 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：毛片在线播放免费观看
??01月06日,法国公开赛国羽收获三金 奥运预演 超越预期,
“不可，洞天境界，差别条理间差别极大，你即便突破了，进入谁人境界，短时间内也无法与他们抗衡，尤其是尚有那头祭灵！”老族长严肃阻挡。
,“免费黄色网站下载”。??01月06日,民进党虽赢得选举但六成选民没给赖清德投票 国台办回应,
4.保管物品。角逐时代，班级休息处的的物品，班级物品，特殊是珍贵物品要安排职员看好，管好。
,久久久久无码精品国产√,性黑人大战欧美黑白配,69无码毛片无码影院。??时势2：中文字幕 在线 日韩
??01月06日,“2024北大报告”发布2024年度文化产业十大趋势预测,
晶莹骨镜所发出的光亦是一种雷霆，十分璀璨，威力吓人，宛若雷神在出击！
,祁煜换脸无码AAA成人精品,日韩三级片免费在线观看,亲嘴网址。??01月06日,第二十一届中国内地优秀电影展澳门开幕,
潜意识中有影象，他的爷爷在百族战场一经射杀过一头貔貅幼崽，其血脉极其纯净，想来这定然是至强凶兽居心放子嗣进去的，举行残酷的磨练。
?第六十三章 原始真解,欧美老妇乱码伦,禁18在线观看,铁粉空间网页版资源免费在线观看。??时势3：开拓者射云璃
??01月06日,特稿｜立己达人益天下——高质量共建“一带一路”推动全球共同发展,
今天一早，我和爸爸欢快奋兴地去旅行国防知识科普教育展。
,欧美精品黄色免费看,双男主真人大片大全,精品精品国产自在久久高清。??01月06日,财经观察：“国潮”风涌 解暑“老字号”迎新机中国铁路北京局端午假期运输收官 共计发送旅客636.6万人次,
有用果，虽然也有问题。好比说西席的出勤问题，晨读的向导缺堂的问题，个体班级课堂纪律涣散的问题也应该引起我们的关注。说真话我也很担心，但我相信，我们的西席也不肯意迟到早退，不肯意请假，不肯意缺堂，而是由于这样那样的客观缘故原由造成的，以是我也不肯意动辄用制度行止罚。我一直坚信，校长不应该高举制度的鞭子，而应扛起人性的大旗，学校的治理宝应该闪灼着人性的绚烂，而不应该彰显制度的狰狞。
,亚洲淫秽视频网址,亚洲天堂一区二区,夜兰放屁(原视过不了申)。??时势4：免费一级持黄网
??01月06日,外贸亮眼“成绩单”折射经济韧性与底气 新业态激活发展新动能,
嫩芽青翠欲滴，舒展到近前，让它忍不住大叫，眼中充满了惊惧，双翅一展，雷电交织，它冲霄而上，就要逃走。
,久久麻豆视频,怎么在浏览器搜初中生裸体视频,欧美精品538在线视频。??01月06日,“世界看河北”国际影像征集活动启动,
小不点挠了挠头，憨憨的笑着，也未几说什么。旁边，毛球更是一副傻兮兮的样子，宛若一个未开智慧的小兽，没精打采的趴在他的肩头。
,产精品日韩无码制服诱惑动漫精品中文字幕巨乳系列,久久二区,91三级片在线观看。【海外华文媒体走进进博 讲述中国开放故事】
责编：周小舟
审核：徐怀钰
责编：胡秀娟
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
