猫眼影戏
 |
|
猫眼影戏
黄金潮
手机审查
猫眼影戏记者 圣克拉丽塔 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？椤
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：欧美一级欧美一级在线播
??01月04日,【理响中国】守正创新：我们党不断从胜利走向新的胜利的重要思想方法,
3、各班级要制订出各班级的目的 ，把目的落实到西席和学生小我私家身上 ，各学科要有学科目的 ，西席小我私家、学生小我私家也要有自己的斗争目的 ，这样使总目的与分目的形成一个目的链 ，环环相套 ，融为一体。
,久久精品福利。??01月04日,广东查办侵害消费者权益案件933件 罚没878万元,
??时势2：东京色欲影院978新地址
??01月04日,香港银行业去年税前盈利按年增长62.1%,
“昊儿若能恢中兴旺的生气 ，他们连忙送还至尊骨。”石子陵道。
,好吊操在线,老年人一级A片黄片,原神纳西妲被。??01月04日,2023年江西GDP增长4.1% “新三样”出口持续走俏,
四、面临看似简朴的题不要大意而造成纰漏蜕化 ，遇到难题不要惊慌 ，能答出几多是几多 ，全市的同砚都面临着同样的试题。
,梅花十三本子,51国产偷自视频区视频222,操女人视频在线免费网站色。??时势3：肥熟女
??01月04日,英国首相会见罗马尼亚总理 双方讨论加强防务合作,
三、构建协调班整体 ，创设轻松、愉快的学习气氛
,欧美残忍另类性运交,国产视频三,欧美最爽的A片。??01月04日,好吃又好玩！2024“好Ye冰淇淋节”邀民众共赴甜蜜之约,
一群人啼笑皆非 ，感受像是在面临原始人 ，这个小工具有点憨的可爱 ，怎么会有这种体现呢？
,亚洲足交网站,臀蜜直播,久久这里都有精品。??时势4：老头户外树林BBBB
??01月04日,马斯克撤回针对OpenAI的诉讼,
第二 ，开好党代会是进一步推进下层党建事情科学化 ，提升下层党组织事情水平的需要。学校第十次党代会召开以来 ，在上级党组织的指导资助下 ，学校党委周全增强党的建设事情 ，通过开展20xx年全校坚持共产先进性教育活动、20xx年党建评估事情以及20xx年全校学习实践科学生长观活动 ，我Ｏ虏愕辰ㄊ虑榛竦昧酥苋銮 ，党的下层组织事情进一步规范 ，党的下层组织也比已往更有活力 ，涌现出一批先进党组织和优异共产。我校的主题党日活动、下层党支部书记培训事情、网上党校、党内民主建设、党务果真、高校党建理论研究、党风廉政建设及作风建设、大学生头脑教育、大学生就业事情、工会教代会事情、统战事情等等 ，先后都受到了上级党组织的表扬。可是 ，我们的事情仍然保存着很大的差别。党的xx届四中全会作出的《中共中央关于新形势下增强和刷新党的建设等若干重大问题的决议》提出 ，要使党建事情进一步科学化。教育部党组20xx年12月召开天下第十八次党建事情聚会对高校党建事情提出了要求 ，明确高校党组织围绕着学科建设、人才作育效劳 ，提高党建事情水平;在新的历史时期 ，特殊是高等教育从大国向强国迈进的新的历史起点 ，高等院校关于面临的一些新情形、新问题 ，要以刷新立异的精神 ，从党的头脑建设、制度建设、组织建设、作风建设、党风廉政建设等方面 ，周全增强党建事情 ，起劲提高高校党建事情的科学化水平。通过准备召开第十一次党代会 ，我们要认真总结学校这些年来党建事情的一些履历和做法 ，特殊是要总结我校党建事情围绕着学科建设和人才作育刷新立异的一些好的做法 ，剖析现有的一些问题 ，特殊是剖析围绕着推进学科建设调动全校师生起劲性、提高人才作育质量、提高办学水一律方面党建事情中保存的缺乏 ，明确刷新步伐 ，周全提升党建事情的科学化水平。
,AI脱内衣免费网站,一伊人对综合网站,操黄操骚妇B视频。??01月04日,天府评论：耕好“无形良田”让希望的田野更加充满希望,
第二祖地 ，地处古国边疆 ，一片蛮荒与苦寒 ，距离真正的祖地着实并不远了 ，只有三十万里 ，显然昔时的石族人一直在寻根。
,比胸大赛流鼻血视频高清,男 女 抓女,麻0豆0传0煤0国产入口官网。责编：费君忍
审核：申军谊
责编：林志源
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
