猫眼影戏
 |
|
猫眼影戏
李德维
手机审查
猫眼影戏记者 张晓强 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：大胸美女草逼高潮
??01月07日,港股失守16000点关口 专家：后市审慎乐观,
加大了城建档案的网络、归档力度，规范了城建档案的收缴程序和归档内容，提高了归档质量，具备了向都会妄想、建设、治理及相关单位部分提供档案核对、咨询等效劳的功效。
,初二jk少女掰开裙子让我捅小说。??01月07日,多位外籍博主齐聚濮院时尚古镇 促“时尚中国年”进“国际朋友圈”,
新的一年，新的平台，新的起点，新的作为。在新一年里，我们准备再组织一再大型活动，借此进一步提升全区婚庆效劳水平，扩大婚庆行业协会和列位会员单位的影响力，希望宽大会员继续体贴支持协会的事情。协会也将尽最大起劲团结宽大会员，撒播先进文化，引领行业生长。在此，我衷心的希望，协会能成为婚庆同仁们可以依赖的港湾，成为婚庆人才前进生长的摇篮，成为列位朋侪的顽强后援。
,国产精品第一页久久,日韩一二区,四川婬妇 慢画。??时势2：被三个男人操的合不拢腿
??01月07日,用心用情用力保障和改善民生(今日谈),
是市面积最大的中心城区，区位优势奇异。上半年，全区经济坚持平稳增添，总量首次突破百亿元大关。人民政府十分体贴、支持商业银行在区设立机构，一直完善相关政策、接纳有力激励步伐，扩大金融效劳机构，以增进我区工业结构优化升级。中国民生银行作为一家主要由民营企业为主提倡建设的股份制商业银行，自建设以来，始终坚持以效劳地方经济、效劳中小企业、效劳市民的宗旨，依附一连的金融立异、优质的客户效劳、稳健的谋划气概和优异的谋划业绩，取得了优异的社会效益和经济效益。中国民生银行一直来十分关注地区的建设和生长，今天，中国民生银行在设立支行，不但是银行自身生长的需要，更是对区生长的强力支持，将进一步拓宽融资渠道，为区域经济社会生长注入强盛的活力。
,污污性爱视频在线播放,免费一级午夜无码AV毛片,www.玖玖精品。??01月07日,在27岁，樊振东遇到了自己的“赛点”, 现在，我国航天员选拔训练系统越发成熟完善，随着载人航天国际相助的深入推进，还将有外洋航天员加入选拔训练并执行中国空间站航行使命。探索众多宇宙，加油。ㄗ芴ㄑ胧蛹钦咄醺眨,影音先锋欧美精品,久久三级生活片,二女一杯食屎原版视频合法吗。
??时势3：国外a√大片一级
??01月07日,《师想者来了》｜心动之城，何以既成网红又能长红？,
孩子们咋舌，钦佩不已。
,成人涩涩视屏app免费下载,邓紫棋自慰 喷水好爽,欧美 综合 社区 国产。??01月07日,湖南两会“委员通道”：扬文化、稳经济、助发展等成热词,
(二)高标准建设。高标准建设绝不是奢侈铺张，也不是重金投入，而是指我们的设计理念和修建要经得起历史的磨练，要着眼久远，凭证百年大计、千年大计的要求来推进都会建设。新农村建设要由“一代人盖三次房”向“建一次房住三代人”转变。在都会建设上要切实体现习提出的“善做善成”的要求，宁愿盖得慢一点，盖得少一点，但要盖一个成一个，盖一个像一个，争取我们建起来的大楼百年之后甚至几百年之后仍然耸立在张掖大地上，这就是高标准。
,亚洲91视频,黄色网站推荐久久天堂,黄视频一区二区。??时势4：亚州图欧美图
??01月07日,西藏天文历算专家通过古老天文台测定开耕时间,
谢谢之余，作为家长我们能做的就是多挤出一些时间给孩子，相信凯杰小学幼儿园的教育理念，起劲和学校、先生相同，支持、配合学校和先生配合解决好孩子生长历程中遇到的问题，让让我们的孩子在幼儿园里能康健、快乐地生长。也希望列位家长和我一起体贴学校的生长，增进对先生的明确，在以后的日子里施展你的智慧才智为学校提出更多更好的合理化建议，也祝愿凯杰小学越办越好，成为衡阳人心中理想的小学。
,人人做人人爱人人操,91九色最新在线,狼友视频免费观看路线二。??01月07日,“时代的风浪越大，我们越要勇立潮头”——习近平主席赴俄罗斯喀山出席金砖国家领导人第十六次会晤纪实,
冬季体育磨炼，还可以加速血液循坏，增添了大脑氧气的供应量，这对消除大脑恒久事情带来的疲劳，增强影象力，提高学习效率，都有起劲的作用。
,你懂的线路一视频,精品 区二,动漫❌c🐻黄扒衣服做小电官方版。责编：王圣
审核：王家墩
责编：胡增金
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
