猫眼影戏
 |
|
猫眼影戏
井上清
手机审查
猫眼影戏记者 李振革 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：性爱视频免费看欧美
??01月07日,涉案50亿 内蒙古警方破获医药领域特大虚开发票案,
20xx年是锐意立异、励精图治的“拼搏年”，也是我们于行业内频传喜报、喜获荣耀的“收获年”，更是销量提速赶超、强势区域打造的“跨越年”!我们于行业内率先开创，赢得了天下消耗者的高度认可;我们强势出击行业内最大规模的北京及广州展会，为更多有识之士打造了相助共赢的生长平台;我们在天下规模内一直巡演的“梦想永不止步”经销商培训大会，加速了天下百余家标杆形象店的建设，为打造冠军品牌涤讪了乐成的基石!而“”等大型商业巨演，更是让我们一同收获了更多来自行业内外的美誉和肯定 。
,亚洲国产91麻豆精品 。??01月07日,加沙两所学校遭以军空袭 已致30人死亡,
第三，要有正气 。一个有正气的村干部，我的明确就是八个字，公正公正，清洁做事 。首先说公正公正 。一小我私家在一个地方是不是公正公正的，在老黎民心里总能称出斤两来 。出自于事情的原来面目做判断就是公正公正道 。相反，把黑说成白，把鹿说出马，这就不公正公正 。在农村，公正公正显得尤为主要 ；馀┐迕埽紫染褪且补蝗蝗褐诓黄狡 。要行得端走得正，不可“见人说人话，见鬼说鬼话，见到阎王乱语言”，要经得起历史和时间的推敲 。一小我私家走出去堂堂正正，谁都尊重你，哪怕你职位卑微;一小我私家畏畏缩缩，邪里邪气，位再高人家也不会尊重你 。再说清洁做事 。村干部天天跟群众打交道，清廉不清廉，群众最清晰 。作为村干部，手中都有一些权力，我们要珍惜这些权力，要做到事情以高标准为目的，生涯以下限为标准，该获得的纷歧建都要，不应获得的决不伸手去捞 。只有清廉才华有正气 。“廉生威、公生明”，靠自己的本事赚钱，靠自己的本事用饭，不贪污未几占，群众才会服你 。
,国产精品国产三级区别,粗大浩浩,欧美日韩α片在线观看 。??时势2：久久精品黄色片
??01月07日,台湾青年夜游黄浦江 流光溢彩中品“魔都”魅力,
积厚一纪而一朝勃发 。今天，我们满怀喜悦心情盛大举行修建装饰公司的开张仪式!首先，请允许我代表全体员工向出席和加入今天开张庆典的列位向导、列位来宾体现热烈的接待，向支持公司筹建、体贴公司生长的有关单位和社会各界朋侪体现衷心的谢谢!(此处掌声)
,色妞网站免费观看视频,高清无码在线视频,日韩无码操逼视频 。??01月07日,推动高质量发展·权威发布｜广西：平陆运河各项建设进展顺利,
??时势3：人人操人人人人插人人干人人
??01月07日,小新Talkshow：藏式下午茶有多精致！,
“这次我不会放过你！”在这一天的时间里，小不点履历了许多的事情，眼神迫人，攥紧小拳头，语气坚决而坚决 。
,免费超爽视频30分钟无遮挡,白丝可莉 扒腿爽出白色液体,18加视频下载 。??01月07日,南昌高新区经济运行稳中向好 今年前三季度GDP达739.4亿元,
??时势4：18未成禁片一级毛片喷水
??01月07日,黄埔“廖氏三兄弟”后人：父辈保家卫国 坚定信仰不做亡国奴,
“清风别主要，重新接续断筋一定会乐成的，有这些宝药在，包管可让你筋骨再生 。”小不点慰藉 。
,女人自慰喷潮A片免费观看www,18禁超污无遮挡无码黄网站,多人拳交videos 。??01月07日,汉服游览、非遗体验……来打卡安徽“博物馆奇妙夜”,
半个月后，他的情形更糟糕了，大眼睛没有了一点色泽，病恹恹，像是随时会死掉 。
,jiuse,男人的 伸到 里直播,山外精品影院 。【中方：将一如既往支持沙伊相向而行】
责编：梅小毛
审核：潘玮柏
责编：方得
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
