猫眼影戏
 |
|
猫眼影戏
张本涌
手机审查
猫眼影戏记者 秦仲阳 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？榛杓疲荚诮Ｗ拥耐评碛胝雇芰怦睿⒏ㄒ远嘀帜？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？榛杓疲琕Gent 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1：一级黄色毛欧美性交
??01月07日,浙江市集拼创意 融文化味助业态上新, 面临质疑，李龙始终坚持着平和的心态。李龙体现，早先在社交平台上分享温习视频，初志仅是纪录自己备考的历程并非炒作，在媒体采访中先容家庭经济情形也绝非炫耀，“较量歉仄占用了媒体的资源，关于网上的谈论每小我私家看法都纷歧样，自己一些表述可能保存问题，以后会更注重。”,理伦AA牌。
??01月07日,天津“世纪钟”进行修缮升级,
“滚！”石子陵喝道，连宗老都败在了他的手中，一个旁系族老也敢仗势欺人？他一矛刺出，神光万道，瑞彩千条，金色符文如海一样平常压了已往。“噗”的一声，谁人人连忙爆碎，留下一片血雾！
,日本人吮乳奶头喂男人,色色色地址,免费A片一级视品。??时势2：欧美视频黄片
??01月07日,外媒：哈马斯将前往开罗 讨论加沙停火谈判,
这次县委换届，是在全县上下贯彻党的xx届五中全会精神，深入开展坚持共产先进性教育活动，推进新农村建设的新形势下举行的，也是在我们开启""妄想、向新目的阔步迈进的时间举行的？谜獯蔚炒幔愫孟匚⑾丶臀唤欤庖搴苁侵卮。
,欧洲美女精品久久久久久久,班花催眠被强行掀下裙子侵犯,gaintess。??01月07日,时政纪录片丨沧海横流破浪行——习近平主席喀山之行纪实,
6、不玩火、敬重消防设施。遇到险情时，能举行科学自救自护。
,女人牲,亚洲激情图片区,999黄色大片。??时势3：爆操黑丝
??01月07日,我驻缅甸使馆18日起将为符合条件的缅甸商务人员审发“澜湄签证”,
“这岂非是族长爷爷说的离火牛魔？！”小不点受惊地睁大了眼睛。
,亚洲AV片不卡无码一国产精品,老头裸体洗澡沟引帅老头,国产一级A片在线直播。??01月07日,图览丨秘鲁流行语与中国有关？太平洋彼岸的这个港口不一般 ,
小不点大喜，抬起手来，刷刷点点，一气呵成，在最上方写下了五个字：最爱吃兽奶。
,憨憨倩那里看,污黄应用,亚洲中文字幕在线一区二区。??时势4：久久男人天堂AV
??01月07日,建立健全老旧小区改造长效管理机制,
第一、增强干步队伍头脑作风建设是准确贯彻执行党的蹊径、目的和政策，确保党的事业取告捷利的要害。 干部的头脑作风问题是事关党的兴衰生死、国家长治久安和社会主义事业成败的重大问题。毛泽东同志指出，政治蹊径确定之后，干部就是决议的因素。邓小平同志一再强调，中国的事情能不可办妥，社会主义和刷新开放能不可坚持，经济能不可快一点生长起来，国家能不可长治久安，从一定意义上说，要害在人。申饬我们，现在严重的问题是教育干部的问题，是增强干部头脑作风建设的问题，是提高全党干步队伍素质的问题。中选为党的不久，就到西柏坡考察，招呼全党“务必坚持谦逊、审慎、不骄、不躁的作风，务必坚持艰辛斗争的作风”。历史履历证实，一个政党、一个干部有一个好的作风才有招呼力、凝聚力、影响力。
,极品人妻系列无码专区,在线亚洲囯产欧洲中文,中文字幕无码视频在线网站。??01月07日,迪士尼的“上新”经济学,
20年，虽然我们逾额完成磷器项生产谋划指标，可是我们有些方面也支付了凄切的价钱。以是，我们在看到效果和声誉的同时，更要正视自身保存的缺乏和缺失，才华包管公司的可一连平稳较快生长之路。
,馃崒18,欧美污视频在线观看网站污黄免费,三级片免费观看亚洲人69熟女。责编：郑伊健
审核：齐红威
责编：李珍萧
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
