猫眼影戏
 |
|
猫眼影戏
谢晋媛
手机审查
猫眼影戏记者 张科民 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1：2027久久免费黄色网站
??01月03日,宁夏银川：制冰雕 迎新春,
狈风与小不点对决，一个动用了宝具，另一个则使用原始宝术，绚烂的光雨飞洒，铿锵的声音一直，整片山林都在颤抖 。
,免费…黄wang 。??01月03日,郑州迎2024年首场降雪 民众打卡拍照,
中央古城，壮阔而庄重，玄色的城墙泛动金属光泽，绵延一直，宛如一条雄伟的钢铁长城坐落在地平线上，给人以磅礴的榨取感 。
,乱日家庭一级录相,国产黄色在线播放,麻d传媒剧在线mv免费 。??时势2：又粗又长的黃片
??01月03日,开车不看手机到底有多难,
孩子们跳下独角兽，急遽蹲下身躯，检查他的伤势，效果心凉了，这么重的伤不可能活下来 。
,美女裸体秘 无遮挡挤奶,小花のん宣宣电影网,赵琳自我奖励 。??01月03日,“从中国式现代化发展成果中汲取宝贵经验”（外国政党政要和友好人士看中国式现代化）,
?村干部培训班的讲话稿范文（通用27篇）,蜜桃视频成人A片免费观看少妃,动画拿笔自愈,曰批免费视频播放免费下载 。??时势3：精品一级片手机在线免费观看
??01月03日,（新春走基层）春节临近年味渐浓 山东年货市场迎销售旺季,
石昊对它又揉又捏，在朱厌的抗议声中，他们来到湖边，准备修行 。
,欧美一级强奸片,成,人免费视频在线观看播放,在哪里看黄色网站 。??01月03日,习近平向纳米比亚当选总统恩代特瓦致贺电良法善治丨微视频：明法于心 守法于行 习近平引领筑牢法治之基,
增强干部作风建设是个老生常谈的话题，弄得欠好，就容易流于形式、走过场 。现在我们全区上下即将开展以“推动跨越生长，建设一流园区”为主题的“我为园区生长献一策”的征集金点子主体活动 。我们将借此时机，乘此春风，把怎样增强干部作风建设作为这次头脑大讨论的重点，切实改变我们干步队伍中一些不良征象 。作风建设效果怎样，除了看我们的刻意大不大，步伐硬不硬，还要看我们的每个干部，以什么样的姿态来介入，以什么样的心态来看待 。首先必需熟悉到作风问题不是小节问题 。俗话说：“小洞不补，大事受苦” 。有些人以为只要自己不出错，有点小问题也没关系，谁拿自己也没有步伐 。着实作风问题，看起来大都都是生涯小节、事情细节、头脑支节、行为小节问题，上不了纲，上不了线 。但我们知道，许多走向犯法蹊径的人，都是从小节最先蜕化的 。这一点，在我们的现实生涯中不堪枚举 。大到高官落马，小到村官进牢，缘故原由都是平时势情生涯中不注重小节，要害时间犯下大错 。
,wwwA片小视频,能看a片免费网站,原神心海手脚绑起来嘴用胶带封上 。??时势4：被c出水 快点流出来了软件
??01月03日,违法违规涉军自媒体账号典型案例,
老人以粗糙的大手拉着他的小手，左看右看，充满怜爱，可是眸子阴晦，张口想要说什么，效果胸膛升沉，有些说不上话来了 。
,高清在线中文字幕一区,十八禁APP,欧美另类激情亚洲 。??01月03日,秧歌腰鼓“加油助威” 万名跑者竞逐延安新区马拉松,
二是开发力度一直加大，城镇建设亮点日益闪现 。市县乡三级注重学习先进找差别，围绕特色建新城，泛起了竞相生长的好势头 。实验新区建设新步伐，通过行政中心搬家发动新区开发;县通过行政新区、城南新区、凤凰新城等开发建设，泛起了转动生长态势，县城规模急剧膨胀，县城建设形成了“一心、两翼、多点”三位一体的都会一体化名堂;县鼎力大举实验小潢河沿岸二、三期治理，总投资亿元，打造宜人的都会景观带和一连的亲水空间;县刷新城区洼地，变害为利，化腐败为神奇，独具匠心，自出机杼 。各地都一直加大对城镇建设的资金投入，树立谋划都会理念，运用市场经济手段，盘活城镇资产，形成了多渠道的筹融资系统 。县起劲探索土地谋划的新路子，在“四权拍卖”基础上，探索出了署理制、开发主体多元制等谋划模式，近几年累计实现土地资产收益亿元，有力地增进了城建开发 。县起劲筹集城建资金，从年至今，城镇基础设施共投入资金达亿元，其中今年完成城建投资亿元，创历史新高 。县年以来，旧城刷新建设面积抵达平方公里，总投资达亿元 。县东城新区基础设施和配套设施建设，以及在建项目总投资已经凌驾亿元 。县今年—月份仅城镇以上牢靠资产投资完成亿元，增添 。另外，一些明星镇建设也取得了不斐的效果 。镇是国家级小城镇试点和我省四大重点镇之一，该镇妄想面积平方公里，现建成面积平方公里，城区生齿万人 。近年来，该镇加大了对都会基础设施建设的投入力度，镇区七纵八横蹊径骨架基本形成 。镇以灵山景物胜景为依托，强力推进重点镇建设，近两年来，共引进项目个，投资余万元 。镇城镇建成区面积扩大到平方公里，城镇生齿达万，城镇化率达 。黎集镇生齿万人，集镇生齿万人，城镇化率 。镇生齿万人，集镇生齿万人，城镇化率，被授予“天下建设文明村镇事情先进镇”称呼 。
,亚洲凹凸精品分类大全,欧洲精品免费精品AA片在线播放 www.exitmultimedia.com,亚洲性爱自拍 。责编：胡文熀
审核：程传军
责编：夏姬
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
