猫眼影戏
 |
|
猫眼影戏
丹尼斯伍德赛德
手机审查
猫眼影戏记者 迭戈·托雷斯 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：在线观看免费国产小视频
??01月04日,重庆永川为三只大熊猫举办生日会 果蔬蛋糕、九大碗、火锅串串等亮相,
一鼎药液，被熬成浓汁，泰半进入了小不点的腹中，余者被孩子们尚有大人分食，虽然也少不了三头幼鸟，全都身体发光，无比燥热，这是一个不眠之夜。
,亚洲国产美女精品自在线拍。??01月04日,受灾核心区道路已抢通5公里 来看辽宁黑山科乡救援进展→,
尊重的列位家长列位来宾：
,女人被爽到高潮视频国产免费观看,在线免费黄片A片,最新国产潮吹手机在线视频网。??时势2：我想你㖭我下我的BB文字
??01月04日,【两会30秒】郑永光代表：建议加强气象志愿者报告制度建设, 张先生以为，网球明星的泛起与整个网球运动以及网球经济的生长是相互增进的，并形成正向反响。他说，明星越多，树模效应就越强，就会越发刺激网球运动的生长，网球经济热度也会越高。而打网球的人多了，就会涌现出更多的网球明星。,深夜免费在线观看网址,爽爽爽爽爽男女成年视频,全免费观看AAAA片。
??01月04日,（两会声音）代表委员话“一山一河生态事”,
善行无限，不可行遍，那么就让我们以瑞特为起点，心与心相连，手与手相牵，以奶为缘，与人为善，以科技为依托，以诚信为基奠，把我们的仁爱品德之心作育扩大，做奶牛人的先锋模范，做瑞特人的铁骨脊梁!
,色偷偷综合网,angelyeah成人抖音,青春草在线视频免费观看222。??时势3：免费国产线观看免费观看
??01月04日,天津多举措推动基层健康发展 提升群众就医安全感,
??01月04日,巴拿马选举法院宣布穆利诺当选总统,
一要包管政令流通。要做到在头脑上政治上行动上同上级党组织坚持高度一致，决不可各自进行，各自为政，更不可上有政策、下有对策。二要严肃事情纪律。要坚决听从镇党委、政府的向导，明确村民自治与政府指导的关系，对党委、政府的事情安排和安排不折不扣的执行，绝不允许扑面顶撞和顶着不干的征象爆发。有意见可在事情完成后向党委政府。三要强化群众纪律。自觉接受党的教育和群众的监视，起劲开展品评与自我品评。进一步强化一心一意为人民效劳的宗旨意识，一切尊重群众、一切依赖群众。以维护宽大群众的利益为起点，在事情上深入现实，体察民情，为人民群众办实事、办妥事;同群众打成一片，与群众同甘共苦。四要严酷财经纪律。严酷遵守财经纪律是讲正气的要求，是清廉自律的要求，是反腐倡廉的源头。我们要严酷遵守清廉从政及财务方面的各项执律例则，进一步完善和规范村帐镇管的相关制度，严酷报账制，严禁账外账和私设小金库，要强化监视、严肃纪律，使自己的所做所为对得起组织，对得起身人。五要遵章守纪。要认真学习镇村干部治理的各项规章制度，要坚持村干部准时上班制度，村两委会主要认真人手神秘坚持24小时流通，落实重大问题及信会见题实时制度。落实履职允许，实时修订完善相关制度，要做到有错必纠、有犯必查，充分包管制度的严肃性和权威性。
,免费啪啪啪网站观看,外国老年性爱视频播放,JamesCabelloAnimations像素。??时势4：亚洲欧美日韩中文视频在线观看
??01月04日,（文化中国行）“她力量”绽放文物普查,
“孩子，了不起，你完成了最恐怖的磨练，日后必定会一飞冲天！”一群族老哆颤抖嗦，无比欣慰，甚至有些人眼中泛起了泪花。
,国产美女色色电影,iGAO视频网-为爱搞点激情,午夜福利视频一级A级视频。??01月04日,（身边的变化）福建龙文：乡村振兴“水”密码，绘就康养旅游美丽乡村,
小不点敲敲打打，蹲在周遭一丈的大青石上，研究那几块符骨，一副很专注与认真的神色。
,被姐姐们c到合不扰腿百合,机机对机机30分钟视频免费观看,欧日韩一区二区三区无码视频。【武汉市武昌区：擦亮“古城”品牌 注入发展新动能】
责编：姜超
审核：营销—让
责编：陈劭先
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
