猫眼影戏
 |
|
猫眼影戏
吴德银
手机审查
猫眼影戏记者 陈铭训 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1：4399无码精品A∨在线观看
??01月06日,福建支持闽企开展全球化经营布局,
第二、要尊章守纪，严酷要求。“不依规则，不可周遭”，“国有王法，校有校规，班有班规”。天下上的任何人都是处在一定的治理之中的，纪律是执行蹊径的包管，没有一个清静的学习情形是不可能成才的，“严是爱，宽是害，松松垮垮出祸殃”，像我们五千多人的一所学校，没有严酷的组织纪律是绝对不可的。《中学生守则》《中学生一样平常行为规范》
,另类专区另类在线观看视频。??01月06日,中国疾控中心：部分省份乙流占比超甲流 建议高风险人群尽早接种流感疫苗,
小不点去修行时，曾亲眼眼见一头五十米长的巨鸟横空，吐出一口火光，直接将一座山头熔成了岩浆 Ｉ杏幸淮胃羌揭煌妨杓莅倜椎拿颓，没入云层中，抓下一头蛟，撕成两段，吞食进了腹中，血液如雨点般洒落在山中。
,人人操久久艹,欧美激情.com,精品囯产在热久久婷婷。??时势2：A级毛片免费无码
??01月06日,聚焦智慧医检4.0时代：如何让医检服务更精准？,
说完了“南海仲裁”，再来说说今年统一时间爆发的另一件事——
,黄色网站一级黄色,国产羞羞的视频在线观看,18禁裸露啪啪网站免费网站。??01月06日,习近平在法国媒体发表署名文章,
“族长爷爷说，对恶人过于宽容就是在纵然他们继续为祸，会有更多的人死去。”小不点轻语，他抬起了手腕。
,一级s爱做片观看免费,操干网免费在线视频,日韩特黄-区,二区,三区视频。??时势3：激情五月天网站
??01月06日,2023年长江干流沱沱河、通天河出现有监测以来最大洪峰,
这种生物虽然没有在骨骼上结出原始宝符，可是肉身极其强盛，一样很可怖，杀伤力强的惊人，通常狩猎，村人们都在起劲阻止与它们相遇。
,uygurlar skixix 维语HD,天天色天天干天天日,一级毛片免费全部播放完整。??01月06日,以色列总理拒绝结束冲突换取人质获释,
“可这只是我的意志啊，并非肉身，为什么这般真实 ？好难区分。”小不点疑惑。
,校服太薄没穿内yi让男生吃奶水,雅典娜遭强高潮开双腿,男人的天堂网站上。??时势4：馃憴mofos馃憴賮賶賱賶賲.
??01月06日,“一次挂号管三天” 看病如何更方便、更省心？,
“轰！”
,av在av在线,黑人和白人做爰,一本香蕉视频在线观看。??01月06日,草莓价格飙升 韩国农场草莓被盗事件频发,
另外，凭证全省小城镇建设现场聚会的要求，驻足我县小城镇建设现实，我们在搞好向阳镇妄想和建设的同时，还要将其他中心城镇纳入以后小城镇妄想建设事情的主要日程中来，通过向阳镇建设的乐成履历，指导其他中心城镇建设的生长，通过中心城镇建设的生长发动周边乡直驻地及大型行政村的前进。重点推进基础及规模较量成型的乌云镇和保兴乡两其中心州里建设的提档升级，起劲建设具有边城特色、独具魅力的新型城镇。一方面，要大手笔、高标准搞好妄想。将其社会、经济、文化、情形的协调生长和突出特色作为妄想的焦点内容，明确以后的建设定位和生长偏向，科学确定生齿和用地规模;对基础设施和公共设施举行妄想结构、优化设置，合理确定生涯区、商业区、文教区、工业区和种种市场等功效用地。妄想部分要尽快组织介入，约请省内外高资质的妄想设计单位举行妄想体例，抵达一张蓝图绘究竟，力争二十年不落伍、三十年可操作;同时，要加速供热、供水、排水、蹊径、绿化等专项妄想的体例，明确以后种种配套功效建设的偏向，争取一次妄想，周全建设，一劳永逸。另一方面，要鼎力大举度、高质量搞好建设。凭证妄想效果，建设各行政主管单位要尽快出台较向阳镇建设越发优惠的帮助政策，支持、勉励中心州里开展小城镇建设;同时，各中心州里要充分验展主体作用，在各单位鼎力大举支持与配合下，周全开展城镇基本建设和蹊径、供水、供热、排水等市政设施建设，一直改善城镇住民生爆发涯质量，加速推进小城镇建设提档升级。其三，要完善制度，高效能治理和牢靠好建设效果。各中心州里要在搞好妄想和建设的基础上，起劲借鉴乐成的治理履历，一直完善适合本州里的小城镇建设治理步伐，探索完善州里城管中队的治理职能，起劲实现小城镇治理制度化、规范化。
,中文午夜看片在线观看,国产特级黄色网站可以看的,在线曰批视频大全免费。责编：乔迪·谢尔曼
审核：王庆茂
责编：吴喆华
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
鲁ICP备09023866号-1 鲁公网安备 37010202000111号
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
