猫眼影戏
 |
|
猫眼影戏
沃尔特·基普
手机审查
猫眼影戏记者 刘慧卿 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：亚洲综合视频天天干
??01月04日,甘肃：敦煌玉门关拍到罕见极光,
通常兽王很难相遇，而石毅竟然在一战中遭遇九头围攻，并且所有斩杀，其战绩堪称极尽绚烂！
,94seav 。??01月04日,云南省社会主义学院党组成员、副院长潘玉良接受纪律审查和监察调查,
它们杀气滔滔，随时会俯冲下来 。
,国产 日韩 欧美 综合,国产自拍免费视频在线观看,外国人人操人人看 。??时势2：www.日韩一区
??01月04日,孩子学不进去成绩差是一种病吗？学习困难门诊火爆背后,
十几里外，狈村的人迅速群集，朝这个偏向冲来，其中有一具担架上面半躺半坐着一个少年，他神色有些惨白，眸光酷寒，手中正在把玩一条兽牙串 。
,欧美性爱小说网站,久久艹视频99,国产乱子伦免费视 。??01月04日,CNN记者上了菲律宾的海警船……,
在城前有一群凶禽猛兽，黑压压一大片，它们并没有绕城而过，显然就是要在此立威，嘶吼震天，竟要攻城了，令人颤抖 。
,欧美一级片在线观看,裸男洗澡gay,特种兵们被 的合不拢腿 。??时势3：欧美大型黄色网站
??01月04日,乌克兰外长称希望与中国积极发展关系 外交部回应,
“天啊，大新闻啊，爆炸性新闻，一个孩子料理了四个富家！”
,被 到爽 流羞羞扒开,小坂七香在线观看,麻豆网站少妇AAA片 。??01月04日,CGTN民调丨近八成全球受访者称美国是全球唯一“制裁大国”,
西津物流是绵阳投资控股集团的成员企业，公司注册资源4000万元(现在，集团正在办理2500万元增资手续) 。公司的定位是致力于成为优异供应链效劳商，通过集中采购、阳光采购，通过信息化工具和治理立异、通过金融立异，整合供应资源，提升供应链效率，为客户成绩、创立价值 。
,97起碰视频在线直播,国产爱视频免费1区,XXOO网站 。??时势4：国产精品秘 糖心传媒麻豆
??01月04日,民航局：我国航空货运量规模达到历史最好水平,
霹雳一声，参天古树折断，倒在了山地中，发出一阵大响，阵容惊人 。
,性爱|8岁的视频,欧美爱性真人在线视,最新2019中文字幕在线最新更新中文字幕免费大全 。??01月04日,文化中国行 | 中轴游持续升温 遗产点服务升级,
其次，要认清城镇化的增进刊行动用 。城镇化是人类生产和生涯方法由墟落向都会转化的历史历程，是人类社会走向现代文明的主要标记，也是一个国家和地区经济实力和现代化水平的主要象征 。一是城镇化是推动经济一连稳固增添的强盛动力 。经济生长与城镇化亲近相关，据专家剖析，由于都会住民的消耗水平高于农民倍以上，城镇生齿每提高一个百分点，社会消耗品零售总额将上升个百分点，要拉动增添个百分点;城镇生齿比重每增添个百分点，住房消耗就拉动增添个百分点，二者综合相加，城镇生齿每提高个百分点，可直接拉动增添个百分点 。从天下经济生长情形看，城镇化率越高，经济越蓬勃 。天下银行的资料剖析批注，人均为美元的低收入国家，城镇化率为;人均为美元的中下等收入国家，城镇化率为，人均为美元的中等收入国家，城镇化率为;人均为美元的中上等收入国家，城镇化率为;人均为美元的高收入国家，城镇化率为 。我国经济生长的情形也是云云，东部沿海经济生长快的省市，城镇化率普遍较高，中西部地区经济生长相对缓慢，城镇化率普遍偏低 。二是城镇化是工业化的主要载体 。工业化需要集聚状态，只有工业生产的种种要素高度集中，才会形成集聚效应，而城镇化的历程就是生齿集聚和工业集聚的历程，能形成较大的商品流、物质流、信息流，对周边区域资源、手艺、人才、劳力等种种要素爆发越来越大的吸引力 。也就是说，城镇化可以为工业化提供高素质的劳动力和集中、高效、便捷的公共效劳，能够创立需求、刺激消耗、降低本钱、提高效率，加速二、三工业的群集，推动工业化向深度和广度生长 。若是城镇化滞后于工业化，则会对工业化生长爆发制约和阻碍 。“”时间，是我国城镇化、工业化加速生长的主要时期，面临着加速城镇化历程和走新型工业化蹊径的双重使命，而现在我国普遍保存城镇化水平低、城镇化滞后于工业化的问题，势必会严重制约工业化历程 。我市城镇化水平还较量低，这就制约了工业化生长 。若是不尽快提高城镇化水平，就会严重影响我市工业化生长历程，拖工业化生长的后腿 。这就要求我们必需认清温顺应经济社会生长的基本趋势和纪律，进一步增强加速城镇化历程的紧迫感和责任感，切实加速城镇化生长程序 。三是城镇化是农业工业化的增进实力 。城镇化的实质就是最大限度地镌汰农民 。城镇化水平的提高，可以从基础上改变农村生齿恪守农业找饭吃的古板名堂，可以加速农业经济结构和工业结构调解，为农业规模谋划和集约谋划创立条件 。通过生长城镇重大的群集功效和辐射作用，起劲培育农业工业规模谋划的组织优势、机制优势和立异优势，使用资源优势和区位优势，组建种种农产品生产加工基地，最大可能地使用城镇现有科技水平和手段，生产加工出高质量、有特色、低本钱的细腻农产品来，实现一条龙生产谋划规模，真正把农户与企业、生产与流通、莳植业和养殖业以及农产品加工业有机连系起来，使农业工业规；被劳谐钦蚧ㄉ璧靡允迪趾蜕 。四是城镇化是建设社会主义新农村的助推器 。建设社会主义新农村，最基础的照旧要解决“三农”问题，其基础出路在于加速推进城镇化建设，以工业的理念生长农业，增进农业工业化和农民增收;以都会的理念刷新农村，增进农村改变面目;以国民的理念转化农民，提高农民的素质，把大宗农村生齿变为城镇住民，一直提高农业劳动生产率 。工业化国家的实践证实，只有农村生齿数目下降到总生齿的以下时，农业土地集约式生产、农业规；凸ひ祷呕执镆欢ㄋ，农业科技含量、效劳水平和农业效益才华大幅提高，农民文化水平和整体素质才会有显着前进，农业现代化才华够实现 。
,起碰在线97免费公开视频,欧美激情一线视频网站,免费视频——国产A级片 。【最高检：前三季度起诉电信网络诈骗犯罪4.7万余人】
责编：张学铭
审核：冯小刚
责编：穆尔西亚
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
