猫眼影戏
 |
|
猫眼影戏
比莫耶斯
手机审查
猫眼影戏记者 谭魏请 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：Chine鉂屸潓鉂寁ideo
??01月08日,中国工信部向沐美星空颁发空间无线电业务许可,
“各人藏进石缝中 ，我投块石头试试看！”一个皮肤黝黑的孩子启齿 ，他名为石猛 ，村人都叫他二猛。在石村演武时 ，他曾直接撂倒一头大莽牛 ，更是差点举起千斤重的青铜鼎 ，在这群孩子中仅次于石昊与石大壮。
,AI迪丽热巴一级毛片在线播放。??01月08日,如何区分风寒感冒和风热感冒？专家教你辨证论治,
这是一处王侯领地 ，地区无疆 ，生齿足有数万万 ，巨城一座又一座 ，熙熙攘攘 ，人来人往 ，极其繁华。
,欧美大黄片一级AAA特黄,欧美一级做一级aa做片性视频,玖玖玖在线精品免费视频1区。??时势2：精品视频在线观看在线
??01月08日,菲再次否认与中方达成“君子协定” 中方驳斥,
雷族的人神色难看到了极点 ，堂堂一族之主 ，下令四方 ，掌控无垠大地 ，居然被俘。
,18禁黄软件,一级免费小视频,草操网。??01月08日,青海西宁：2024半程马拉松鸣枪 奥运冠军与万余名跑者共享赛事,
“喀嚓”声时时传来 ，有时无意还会传来铿锵声 ，迸发出一串串火星 ，木质着实太坚硬了。
,奖励软件大全免费,日韩欧美A级v片免费播放,吃 巴。??时势3：18分钟处破初疼哭在线
??01月08日,习言道｜让传统医药更好造福各国人民,
至此其他孩子也都看到了 ，远处一只巨鸟凌空扑击向这片山林来 ，速率极快 ，如一颗星辰砸落 ，凌厉而慑人。
,人妻视频一区二区三区免费,国产孕妇A片全部精品一,又爽又痛又紧又大A视频。??01月08日,贵州汇川：动车组列车驶过油菜花田,
昨日的乐成带来今日的欣喜 ，今日的起劲昭示明日的绚烂。20年 ，我们将站在一个新的起点上 ，放大已有优势、凸显潜在优势、营造不具备的优势。让我们团结一心 ，加倍起劲 ，青云直上 ，更进一步 ，为1111公司实现装备制造业中流砥柱的雄伟蓝图而起劲斗争!
,国产欧美亚洲91精品,久久久中文字幕视频,日本黄色网站视频!。??时势4：桃色国产精品网站
??01月08日,广西桂林重演西南剧展落幕戏《戏剧春秋》拉开艺术节帷幕,
(三)周全推进绿化亮化 ，大幅度提升都会整体品位 ，起劲把嘉荫建设成为情形优美的宜居都会。要充分使用绿化的有利时节 ，全心组织 ，加速实验 ，周全落实好园林绿化各项事情使命。一是抓好好蹊径绿化香化建设和治理。鼎力大举实验沿街蹊径绿化工程 ，进一步把绿化作为提升品位、彰显特色的重中之重 ，高条理建设绿带、绿地、绿景 ，重点实验好、治理挚友谊街、昌盛街、临江街、山河路、向阳路等城区主干道绿化 ，起劲实现主次干道一起一景、一街一品绿化景观。二是抓好休闲广场、游园绿化和治理。把广场游园绿化作为工程项目来妄想建设 ，一直提升江畔公园、俄罗斯风情园、中心公园、知青园等大型景观绿地的层次和品位。特殊是要抓好沿江景物带绿化建设 ，要认真组织实验 ，打造都会亮点 ，展示嘉荫县边境江城的奇异魅力。三是抓好小区庭院绿化和治理。在建、新建小区要严酷凭证划定举行绿化 ，由妄想、绿化部分举行统一验收 ，达不到绿化标准的 ，必需整改到位 ，不然不得投入使用。四是抓好展现都会形象的西出口绿化景观工程。继续推行西出口恐龙草雕和“嘉荫接待您”草雕字形建设 ，对恐龙草雕钢骨架造型及草雕图案举行整形 ，使恐龙景观越发形象逼真。同时 ，要增设适合的景观灯 ，增添景观灯照度 ，提高景观效果 ，现在这些工程已完成 ，以后要在搞好治理事情的基础上 ，逐年完善 ，凸显出口景观效果。五是抓好景观雕塑建设 ，在县城收支口及在重点部位 ，适时增设反应龙江文化、恐龙文化的小品雕塑 ，建设具有标记性的园林精品 ，提升都会绿化的整体品味和层次。
,亚洲天堂在线综合,555yese.com,解开她吊带强吸乳h呻吟。??01月08日,道中华丨工艺美术大师刘冠英：匠心传承技艺 泥塑百态人生,
此时 ，宝骨失踪 ，分成六块 ，很难被集全。那么多时势力在此 ，有尊者降临 ，一方能抢到一块就不错了。
?第二百六十章 解脱,亚洲国产A∨无码中文电影,特肥老太做爱HD视频,久久997视频。责编：徐荣耀
审核：阳岱
责编：帕金斯
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
