猫眼影戏
 |
|
猫眼影戏
艾略特·斯皮策
手机审查
猫眼影戏记者 菲利浦·勒素 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1：95视频a片免费
??01月03日,巴塞尔艺术展香港展会将于3月举行 全面恢复至疫情前规模,
恶魔猿横飞，从满山的金色神辉中跌落了出去，全身是血，骨骼也不知道断了几多根，但终是挣脱出了狻猊的云烟规模。
,欧美熟妇另类久久久久久69堂。??01月03日,2023年两岸交流恢复正常 国台办指“快速回温、持续热络”,
一声凤鸣声响起，震裂金石，极其尖厉，一座又一座宫殿都崩塌了，惊的众强莫不运转符文，护住己身，不然必定被伤到。
,网站操逼视频,188427·mooc.美国,亚洲色情综合娱乐久久。??时势2：网址黄色免费
??01月03日,风暴“伊莎”袭击 英国多地发布龙卷风警报,
第二个问题是生源外流问题。这几年来，我校生源外流泛起上升势头，不但优质生源外流，一样平常生源流失也较量严重。学生为什要外流?说明人民群众对我们的教育教学还不知足。人民群众对优质教育的需求，岂论在质和量的方面，我们都知足不了需求。在市场 经济条件下，只要家长愿意出钱，对方学校愿意收，学生要走，光依赖行政下令是行欠亨的，唯一的步伐是办妥我们的学校，扩大和提升办学水平以知足人民群众对优质教育的需求。优异学生外流是我们的办学还没有形成优生作育有用新机制，办学质量没有被人们群众普遍认可;一样平常中等学生外流，是我们的班级 治理群众不知足造成的，班风学风还必需加鼎力大举度整理，我们不可泛起一个差班，一个乱班。让每个进入中学的学生都获得优异教育是全体西席起劲的偏向。
,黄色一级电影播放,国产手机在线播放白嫩,亚洲国产精品v在线播放。??01月03日,实干开创美好未来,
整整一天一夜，小不点才停下来，站起身，迎着早霞，吞吐曦光，以为终于彻底牢靠了，三座火山口内敛，徐徐消逝，他大步向着石村走去。
,域名18岁黄色网址一,麻豆AV女优,18 免费下载视频。??时势3：男女干逼视频
??01月03日,【东西问】Pandaily创始人周恒星：如何讲好中国创新故事？,
严守交通规则，准时回家，不在外停留。上学、下学路上，必需在人行道内行走，没有人行道的，须靠右边行走;通过有交通讯号控制的人行横道，必需遵守信号的划定，没有信号灯过马路时要先视察双方车辆情形，自动避让无邪车辆;家庭住址较量偏僻的学生可以与同砚结伴回家或要求家长接送;禁绝在公路上追逐打闹，开展种种游戏活动，要远离公路和铁路;12周岁以下小学生，禁绝在公路上骑自行车。
,欧美一级片在线观看,ADM-529森日向子最新消息,国产欧美高清。??01月03日,（两会声音）全国人大代表马永平：采取积极的引导和监管措施加强创新药信息供给,
小不点无惧，依旧是以闪电开道，十指间电芒暴涨，金色符文漫天，压落而下。
,妈妈帮你打脚枪,国产情侣露脸在线对白,群发宣传册小猴导航。??时势4：老师的亲密指导漫画免费阅读看下拉式笔趣阁简体
??01月03日,中方：敦促美方停止纵容支持“台独”势力“以武谋独”,
(二)开展村干部培训事情，是增强步队建设的有力抓手。 村看村，户看户，群众看，看干部。村 “ 两委 ” 班子是全村事情的向导焦点和战斗堡垒 ；唤烨，少数村级班子中保存着软弱涣散、团结不敷、人心不齐等征象，相互扰乱的情形也时有爆发，对此，州里党委高度重视，并通过教育实践活动和换届选举实时举行了整理。要从基础上杜绝此类征象，接纳组织步伐是一个方面，要害还要通过学习教育，让宽大村干部自觉接受党性磨炼，一直强化宗旨意识，认真践行群众蹊径，争做信心坚定、为民效劳、勤政务实、敢于继续、清正清廉的好干部，切实增强干步队伍建设，提高村级班子的凝聚力、战斗力和创立力。
,憨憨倩稀有视频,久久久精品一区二,99犯riav。??01月03日,中国农业发展银行总行专家委员会副主任委员赵富洲被“双开”,
这里连一只鸟雀都没有，更不要说走兽了，甚至蚁虫都躲入洞中蛰伏，不肯出来，山林中荒寂无声，死一样平常的清静。
,中国老妈XⅩ╳,亚洲美女被操永久免费的网站,国产色情无码aⅴ电影网站。【会晤结束 马克龙和冯德莱恩将习近平主席送至上车处】
责编：巴勒斯坦法塔赫
审核：岳阳婷
责编：金铁霖
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
