猫眼影戏
 |
|
猫眼影戏
吕福明
手机审查
猫眼影戏记者 王洪欣 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：密羞ssav
??01月07日,北京交管部门加大对“分心驾驶”处罚整治力度,
2、包管用电清静，不破损电源插座，信息课上要按划定程序操作电脑。
,白白发布视频。??01月07日,两会受权发布｜中国人民政治协商会议第十四届全国委员会提案委员会关于政协十四届二次会议提案审查情况的报告,
在乌光中只要挣扎就会爆碎，化成血雾！
,日韩综合无码一区二区青草,欧美重口另类轮轩网站,jizzjizz5。??时势2：欧美视屏精品三区
??01月07日,贵州省遵义市委党校常务副校长韦圣福被“双开”,
①生产园地狭窄，公司生产规模和生长速率受到限制;
,污黄色片99精品人人操人人插,久久精品看视频,www。黄色一级视频。??01月07日,多所高校向新疆、云南受灾学生开放灾后困难专项补助申请,
(二)坚持城乡统筹，解决好城乡二元结构的问题。城乡统筹既是城镇化建设必需处置惩罚好的关系，也是农村生长必需思量的要素，从张掖的现实看，城乡统筹主要要做到以下几个方面：一是妄想统筹。在一个县域规模内，哪些乡需要建，哪些乡需要撤，哪些村要集中到州里上来建，哪些村要集中到县城来建，哪些村要就地重修，哪些村要搬家，都要做一个周全的妄想，镌汰不须要的资源铺张。二是政策统筹。在思量都会建设的同时，一定要思量农民的需求。土地、社保、户籍、公共效劳等方面的政策要统筹思量，通过政策指导资源合理设置、城乡统筹生长。三是要解决好“四化”村建设中的熟悉和误差。这几年我们的“四化”村建设取得了显著效果，为新农村建设探索了一种新的模式，也完全切合这次中央城镇化事情聚会提出的要求。但若是把“四化”中的“社区化”简朴地明确为“楼房化”，就是熟悉上的误差。我们既可以有楼房版的社区，也可以有平房版的社区;既可以有生产、生涯脱离的社区，又可以有生产、生涯连系在一起的社区。因此，要因地制宜，阻止一样平常性楼房的审批。建设、妄想部分和各县区要再做一次深入的调研，进一步明确新农村建设的思绪和“四化”的标准，凭证城乡统筹的原则，谋划好新农村建设的偏向、着力重点和建设顺序，避免把农村建成微缩版的都会。
,gaintess,大雷被咬得哭着求饶,美国黄片AAAAA。??时势3：2025男明星和女明里在床上在线看
??01月07日,2023年新疆兵团投资8.16亿元提升65万农村人口供水保障水平,
新学期，学校迁就省标准化学校建设活动的有力时机，将开启新的希望，承载新的梦想，谋划新的生长，办人民知足的优质教育。学校和先生都怀着重大的瞻仰期待同砚们的生长，希望你们身体更康健，生涯更富厚，学习更高效，心情更阳光。这里，我代表学校和先生给同砚们提出几点希望和建议：
,黄色a级片免费网站,all漂泊者18Hr笔趣阁,在线您懂的。??01月07日,广州海关开展校园普法活动,
这群强者再次嫌疑，这岂非真是一个隐世家族？很神秘！
,一级国产黄色av,曰本黄色视频网,国产日韩制服在线视频一区。??时势4：Fuck♥XXX♥furry
??01月07日,五部门：加强金融支持乡村全面振兴专项行动,
“别太劳心，留神受伤。”老族长严肃的嘱咐，小不点不止一次吐血了，即便肉身再强盛也需注重。
,91艹在线视频网,绑起来被调教剃毛,久久久久A级毛片免费看。??01月07日,中国新能源汽车首破年度1000万辆,
“哇哦，林虎叔你们真厉害，这些年来族长爷爷一直在你们身上试验，竟然取得了这么大的成绩，你们都是奇才啊。”
,男孕期双腿大开分娩,在线日韩欧美,苏拉哦无码。责编：吴彬乔
审核：胡新宇
责编：万衍
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
