猫眼影戏
 |
|
猫眼影戏
张晓敏
手机审查
猫眼影戏记者 房媳 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：国精产品秘 成人一区二
??01月04日,浙江聚力打造数据要素集成服务高地,
列位教官、先生、同砚们，军训作为学生素质作育的有用途径，希望各人以高昂的斗志、饱满的政治热情起劲自动地投入到军训那充满挑战、磨练和期待的军训生涯中去!希望全体参训同砚珍惜这次难堪的军训时机，向县人武部教官学习，自觉磨练，经受住来自心理、体质、意志以及快节奏军事生涯的诸多磨练，增强遭受难题和波折的勇气，战胜自己，提高自我。我用x的一首诗词，作为对这次军训的期盼：东方破晓，莫道君行早，踏遍青山人未老，景物这边独好。希望军训成为校园亮丽的景物!
,一个色综合色。??01月04日,湖北咸丰：云海奔涌似仙境,
石昊转身，向另一头彪冲去，掌心光线再闪，这门不传外族的宝术再次显出凶威，银月划过，那头七八米长的巨彪，脖子上血光迸溅，银光一转，直接将其头颅切落了下来，咕咚一声坠落在地。
,仙帝H污肉一夜没拔,欧美性猛交ZOZO,永久黄网站色视频免费AP。??时势2：裸体久久久国产视频
??01月04日,五缘湾片区的“厦门实践”：打造人海和谐“城市新客厅”,
有关交通清静的：过马路时，不要边走边看书，不可翻越马路的中心护栏，不可在没有斑马线的蹊径横穿，要想过马路，要看红绿灯，要走天桥或地下通道;乘车时，不可把头伸出窗外，不可往窗外扔杂物;骑车时，不可俩人搭肩骑，不可撒手骑，不可一手拿伞一手扶把骑……
,国产夫妻视频在线观看,18款成品短视频app下载量APP下载安装,日韩综合在线一区。??01月04日,海南省东方市委书记田丽霞被查,
“越是强盛的远古遗种，越不会允许族中的不传之秘泄露，尤其是其骨头上的原始符文印记，可能会在死前毁掉。”石云峰皱眉道。
,珍妮撕开内衣 吸奶头,免费的黄页网址直接看,78m78摸人视频78m永久免费。??时势3：午夜激爽免费毛片
??01月04日,泉州宝藏 | 藏在山林里的这座寺院，竟是“明教”的秘密遗迹,
??01月04日,【东西问】胡鞍钢：进一步深化改革、中国式现代化将为世界带来什么？,
一股清香溢出，五色宝卵内的液体晶莹而绚烂，芳香扑鼻，毛球吃的起劲，忘乎以是，吱吱的叫着。
,孩儿管老少配,韩日三级片乱伦系列,AV原创在线。??时势4：娜美隐私秘 黄www网站
??01月04日,在长春见青春！长春假日游线上线下玩到爆！,
狂风咆哮，青鳞鹰下降下来，收起一对重大的银翅，三只幼鸟连忙扑了已往，一直用头摩擦它的躯体。
,特黄AAAAAAA片免费视频男男,天天插日在线观看视频网站,77AV。??01月04日,跟着“悟空”游山西！山西文旅官员谈国产游戏带火取景地,
以班主任为主，课任西席协助，齐抓共管形成优异的学风。 首先要抓好班级一样平常治理，确保正常有序的班级教学情形。 其次要抓好主题班会，对学生举行理想和前途教育，对差别条理的学生提出差别条理的要求，让学生树立“前进就是效果”，“只要起劲，我就能行”的看法，让他们人人都有信心。抓边沿生：要“四优先”：课堂提问优先，作业修正优先，课外向导优生，家庭会见优先;“五跟踪”——跟踪，课堂跟踪，作业跟踪，测试跟踪，学法跟踪。通过起劲，使大部分临界生在中考中取得长足前进。 尚有要增强与家长交流与相同，取得家长的支持，实时而周全掌握学生的学习状态、动态，不让他们偏离学习轨道，让学生始终有这种感受：九年级啦，学校和家庭都挺重视我的，我应该越提议劲念书。
,美女被咬小头头视频,特级AAA黄片,两个男生一起努力生产豆浆视频。责编：梁栋贤
审核：黄蕊
责编：矫喆
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
