猫眼影戏
 |
|
猫眼影戏
袁攀
手机审查
猫眼影戏记者 杰茜卡·哈里森 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：亚洲影视第一页
??01月08日,纪念中日韩合作二十五周年研讨会在长春召开,
“这里是‘初始地’，无论你何等强盛的修为，在这里能施展出的战力也只在搬血境，无法逾越。”少女增补。
,换爱交换乱婬。??01月08日,云南省政协十三届二次会议在昆明开幕,
数日后，小孤山镇不在清静，有人见到了大部落的一族之主，竟亲临这片土地，让那些为山宝而来的强者为之惊异。
,未满十八禁止18以下免费的AV,WWW180亚洲性爱,日韩18。??时势2：国产精品无码每日更新
??01月08日,实地探访《繁花》效应：和平饭店“繁花”套房预订火爆,
尊重的家长：
,华人av在线,2020年男人的天堂网站,yp最新网址。??01月08日,西藏：马术表演为雪顿节添彩,
我以为要成为一个及格的社干部，要起劲做到以下几点： 第一，要懂政策。在目今农村新形势下，仅仅凭着已往的老套套老履历效劳，那肯定是行欠亨的。为此，我们都要进一步增强学习意识，提升学习效果。除了学习基本的文化知识和适用手艺外，作为村干部，特殊要增强政策执法的学习。文件就是政策，各人掌握了几多?农村最低生涯包管的政策、农村相助医疗的政策、妄想生育的政策、土地治理的政策，各人是否真懂?能否向群众诠释清晰?现在提倡依法治国，农民依法维权的意识也越来越浓，特殊是现在大宗的农民外出打工，这些外出打工的人，他们的政策看法、法制意识越来越强，若是他们懂而我们村干部不懂，甚至一问三不知，就不会真获得他们的尊重，就无法做群众的事情。
,国产老太,色综合久久久久久久久性,××× 网站。??时势3：大象芒果伊甸园2022
??01月08日,天津加快实施灾后恢复重建河道治理工程,
这是一头重大的龙角象，长达六七米，高也有五六米，头上那对硕大的龙角闪动宝光，它极其极重，压断了几株参天古树。此时，它早已死去，比磨盘还大的头骨上有几个爪洞，鲜血汩汩而涌，被一击毙命！
,在线 国产精品,李湘撅着肥白大屁股,jizzyou三区。??01月08日,大范围雨雪冰冻天气来袭，多部门联合部署防范,
2.作育团队意识,学会做事与做人。俗话说”众人拾柴火焰高”,“团结出凝聚力，团结出战斗力，团结出佳绩”，“增强团队意识，学会相助，学会共处”是新世纪种种人才必备的素质。我们处在竞争与相助共生共存的时代，在强烈的竞争中，单枪匹马、孤军奋战很难有大的作为，学会相助，善于相助的人乐成的时机缘更大。近几年来我校素质教育屡或创佳绩，不是由于我们情形与装备等硬件上有优势，也不是由于我们单兵作战能力特殊强，而在于整个团队的受苦耐劳和团结协作精神。团队协作是我们在名校竞争中立于不败之地的法宝，我们应该鼎力大举弘扬!
,女生被干视频,国产福利一区在线,亚洲福利在线视频。??时势4：欧美 日韩 国产
??01月08日,广东与新加坡有望今年底推出新款跨国交通卡,
而从原始山林中跃出来的十几名强者也正好冲至，种种光线翱翔，符文漫天，有古禽虚影，有凶兽化形，缭绕着炫目的光线，扑杀向焦黑的柳树。
,免费看晚上看黄色视频,13小男生GAY自慰脱裤子网站,激情小说图片熟女乱伦。??01月08日,辽宁省技能精英冲刺全国乡村振兴职业技能大赛,
第二，勤劳学习，成为有渊博知识的人。我们每一个同砚只有发挥受苦钻研的，勤劳起劲地学习，才华在辽阔无垠的知识海洋中学到更多的知识。希望同砚们掌握准确的学习要领，养成“专注、善思、勤记、多练”的优异的学习习惯。“专注”是学习的基本要求，学习一定要专心致志，入耳、入脑、着迷，上课、看书、做作业都必需云云;“善思”是学习最有用的技巧，智慧与愚蠢的区别，在于能不可善于思索，学习一定要学会思索，善于思索，勇于质疑，大胆发问，追根溯源;“勤记”是最基本的学习要领，学习是知识一直积累的历程，而要积累知识就必需影象，要勤于条记和影象，该背的'要背，该记的要记，当天知识当天牢靠;“多练”是消化吸收知识的必定途径，训练必需贯串于学习历程的始终，学练连系，熟能生巧。希望同砚们切记这8个字，勤劳学习，善于学习，成为有渊博知识的人。
,宝宝我给你扣扣,奶牛学院Txt金银花原文作者,高清一级黄色视频免费在线看。【中国15所高校赛艇选手逐浪松花江】
责编：三善豪德
审核：田敏江
责编：猜·普拉巴纳
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
