猫眼影戏
 |
|
猫眼影戏
言必行
手机审查
猫眼影戏记者 李德胜 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：国产黄色自拍小视频
??01月06日,混团世界杯中国香港胜德国 黄镇廷：希望女儿看到我拼搏的样子,
今天，我校盛大召开九年级结业班西席发动大会。在此，我代表教育处向列位先生、列位致以敬意和体现衷心的谢谢，并请列位结业班先生将这份真挚的问候带给一直奋力拼搏、永不言败的九年级全体同砚。
,高清扣逼xxxx。??01月06日,（两会速递）郑喆轩：三星堆考古成果将“及时上新”,
当今天下日新月异，知识经济时代已经到来，许多新知识、新事物、新履历层出不穷，宽大人民群众对干部的知识水平和事情能力的要求也越来越高。因此，我们不学习就跟不上形势，就会被历史所镌汰;不学习就不可掌握生长趋势，就驾驭不了阵势。我们宽大的村居干部必需认清形势，进一步增强学习的紧迫感和自觉性，认真学习，富厚知识，提高素质，顺应新形势和新使命的需要。勤劳勤学是宽大干部提高自身素质的主要途径。现在，我们的村居干部刚刚上任，事情较量忙，要准确处置惩罚勤学习与事情的关系，为了提高这次培训的较果，我们专程请来了县纪委、县委农工部的向导和专家，对你们来说，是一次很好的学习提高的时机，希望各人要珍惜时机，以起劲认真的态度加入培训，力争通过培训，一直更新知识，坦荡眼界，一直提高自身素质和向导水平。
,亚洲国产综合在线91,中国激情片一区二区,在线观看黄页网站。??时势2：亚洲无码在线观看网站
??01月06日,青海省“果洛州青少年管乐团”赴鲁展演并获奖,
一声碎裂的声响发出，小不点惊喜，起作用了，他此前曾动用过符文的实力，可是发明青石上的几块宝骨会因此而爆发神纹，举行防御。一再实验后，他发明越是动用的符文实力少，那几块宝骨的反弹也会小。现在他动用纯肉身之力，那几块骨险些没有怎么发光，未曾守护大青石。
,国产凹凸性爱视频,欧美色播,国内黄色视频。??01月06日,2024中国新疆第十届种子展示交易会开幕,
俗话说：“优异的起源即是乐成的一半。”新学期开学了，我相信同砚们一定会满怀信心走向乐成。怎样争取有一个优异的起源呢？在这里，我向同砚们提议：
,欧美性爱小说网站,偷窥二区国产,依人色综合。??时势3：成人嘿嘿嘿
??01月06日,全红婵：第一条消息发给“熊姐”陈艺文,
??01月06日,2024年山马首跑嵖岈山 全国各地近4000名选手参赛,
它恼怒的嚎叫，在上空盘旋，可是其他巨兽尚有凶狼却不敢攻击了，没有连忙执行它的下令，对小不点手中的祖器惊惧。
,一本香蕉视频在线观看,库拉拳皇本子,女生扒开秘让男人捅软件动漫。??时势4：在线一区二区免费
??01月06日,国铁集团：2024年春运预计全国铁路将发送旅客4.8亿人次,
同砚们，祖国的未来是优美的，身处在这样一个盛世，我们应该感应自豪。我们现在正是一个诗一样美妙的年岁，我们一定要珍惜这优美的青春年华，起劲学习，起劲事情。
,97涊涊,美女114一级A视频,日本韩国高清视频。??01月06日,前10月中国对APEC其他经济体进出口21.27万亿元,
这同样是一种恐怖的宝术，属于紫山一脉独吞的镇族宝术，修炼到极致，威势动天，可撼日月山河。
,91看成品人视频,日本AⅤ爽爽香蕉影片,色中涩。【十四届全国人大二次会议表决通过了关于最高人民检察院工作报告的决议】
责编：葛荟婕
审核：王雪珂
责编：林顺来
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
