猫眼影戏
 |
|
猫眼影戏
刘文奇
手机审查
猫眼影戏记者 陈赟 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：把蕾丝学姐c到高潮
??01月06日,《咏春》出海：越是民族的，越是世界的,
??01月06日,中国女足击败乌兹别克斯坦女足 取得永川国际女足锦标赛开门红,
碧玉般的晶莹蛋壳上 ，那些黑点与纹络灿灿生辉 ，如星辰在闪灼 ，很是的漂亮 ，有一种神秘的实力在流淌 。
,污污插管视频美女,www . sxsmbg . com,400部国产真实情侣在线视频 。??时势2：盗摄偷窥凸凸在线
??01月06日,文化中国行丨联播一瞬带你走进中式美学下的园林秋色,
一群壮年男子眼睛都要喷出火来了 ，士可杀不可辱 ，若是由着他们 ，非连忙拼命不可 。
,美女裸体超逼,日本操屄大片,人人插人人操人人 。??01月06日,【中新画报】歘歘歘！全明星“天团”炫舞长空,
他迈开大步 ，走向一对年轻的伉俪 ，男子伟岸 ，女子花容月貌 ，抱着一个还在襁褓中的婴儿 。
,a 片官网,国产三级大片,未满十八18禁止网站 。??时势3：国产福利Aⅴ综合导航
??01月06日,数据共享助防范化解能源行业安全风险 确保国家能源安全 ,
一、有文化、树品牌 ，保质保量完成大中修使命大中修工程是我们每年最主要的工程使命 ，同时也是我们对外展示的平台 ，从工程实验上说 ，各施工队长是第一责任人 ，要负总责 ，树模范 ，带步队;通过规范化的治理 ，管好人 ，会用人 ，用好人;在施工中 ，要确保清静、稳中求进 ，合理使用机械化施工 ，解放生产力 ，提高生产效率,保质保量完成使命 。从对外角度上说 ，每个施工步队、每个施工职员都代表着中心的形象 ，要统一着装、文明施工、清静施工 ，体现出我们是一支文明的、具有一定文化素质的、专业的市政步队 ，树立出我们的品牌 。
,黄色录橡,久久精品看久久,欧美特黄牲交免费观看 。??01月06日,李显龙现身上海豫园 不停地驻足拍照“打卡”,
二是深入调研 ，周全掌握宽大、村民代表的头脑动态 。深入群众 ，普遍听取宽大、村民代表对现届支部和现职支委事情情形的真实意见、建议 ，以及对新一届支委的希望、要求 ，有利于掌握换届选举事情的动向 。我们在原来村级班子剖析排摸的基础上 ，举行深入座谈 。我们统一明确了四种必谈工具 ，即历届离任村支书老干部必谈、村民小组长必谈、在群众中有一定影响力和威信的和村民代表必谈、在职村三委会成员必谈 。同时 ，要求座谈率抵达50%以上 ，新村及情形重大村要求抵达80%以上 ，并要谴责体农村事情指导员战胜年尾刚刚完成村级班子排摸 ，年头又要座谈考察而滋生怕烦和麻木头脑 ，一律接纳个体座谈方法 ，周全掌握群众的真实意愿 。在座谈考察的基础上 ，逐村酝酿各村支委配备数和新一届支委起源人选 ，对在换届选举历程中可能泛起的情形举行了展望和剖析 ，并确定x月26日至28日为全镇集中选举期 ，以点为单位凭证先易后难原则确定各村选举日 。
,在线观看无遮挡网址,99热这里只有精品国产免费观看,亚洲成黄在线观看 。??时势4：鹤童的脚底
??01月06日,8月6日人民币对美元中间价报7.1318元 上调27个基点,
金色骨块上有一些纹络 ，很模糊 ，也很古朴 ，正是虬龙 ，为恐怖的远古凶兽 ，但这不是符文 ，只是一种漂亮的饰纹 。
,9.1破解版.apk变态代码,欧美人人摸,红桃ht429.vip 。??01月06日,【奋力谱写中国式现代化新篇章——习近平总书记今年以来治国理政纪实】中国式现代化 民生为大,
“自幼他们就叫我石昊 。”谁人孩子轻语 ，低着头 ，神色黯然 ，几位老人都死了 ，他感受很孤苦 。
,国产国产乱片,成本人在线视频免费看电影,脑叶女性角色泳装 。责编：内庭
审核：蒋全德
责编：唐婉
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
