猫眼影戏
 |
|
猫眼影戏
雪莉
手机审查
猫眼影戏记者 罗凯明 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1：911国产精品自产
??01月05日,“潭美”在越南登陆 海南继续发布海浪黄色预警,
??01月05日,美军以向胡塞武装提供补给为由扣押一艘帆船,
我的创业妄想获得挚友，美国中经合集团首创人兼董事长刘宇环先生(Peter Liu)的鼎力大举支持。他执掌的中经合集团是中国危害投资的始祖。虽然现在整个经济依然没有走出阴影，但他直率地投入了五百万美金，作为立异工厂的启动资金。已往几周，除了刘宇环先生之外，我们还获得了柳传志、郭台铭、俞敏洪、陈士骏等业界精英的投资，确保了我们在未来5年中用8亿人民币打造立异工厂的妄想。同时，我也很是幸运，获得北京市政府和中关村管委会的支持。今天，苟仲文副市长能亲临现。嵌晕业目隙ê兔憷。
,黄色视频在线观看免费阅读器,久久 亚洲 一区 二区 欧美,农村一级A片。??时势2：国产精品黄片一区
??01月05日,广西漓江画派将举办二十周年系列活动,
小不点一副很主要的样子，急遽启齿，道：“大叔，你说的，不必我赔铁锤！”
,桶机免费大全2023,91精品第一国产综合精品蜜芽,欧美AAAA在线观看视频。??01月05日,共建“一带一路” 专家学者强调借助语言正确解读彼此文化,
雨蒙忍着剧痛，断臂处闪灼符文，自己止血，此后最先“招供”，述说一切。虽然，他自不会认可有大错，起劲化解，更是想祸水东引。
,露锁骨软件,欧美性爱图视频网站,捆绑 调教视频在线观看。??时势3：91国啪
??01月05日,古代如何收拾无良商家？轻则屁股开花，重则倾家荡产,
“是的。”幼童清静的说道。
,在线观看免费人成视频观看,99se久久这里只有精品6狠狠,免费女人毛片一级A片。??01月05日,新疆7.1级地震致阿合奇县6人受伤 各方力量正有序救援中,
学校制订了却业班事情、对结业班事情举行了早安排、早安排。对什么时间竣事新课，什么时间安排温习，什么时间组织月考，都举行了详尽的安排安排。
,自己割马眼过程视频,换脸三级片在线播放,免费 无码 国产在线观看午夜。??时势4：特黄乱淫A片
??01月05日,世界百位摄影大师赴约山东 以摄影为“媒”增进文化交流,
今天是一个值得我们配合庆祝的日子，在银监局和人民银行的鼎力大举支持下，通过民生银行分行上下配合起劲，中国民生银行支行正式建设了，这是地方经济生长的一件大事，也是金融界的一件喜事!在此，我谨代表人民政府，对中国民生银行支行的开业体现热烈的祝贺!并向前来加入开业庆典，及一直来体贴支持金融业生长的列位向导、各界朋侪体现热烈的接待和真挚的谢意!
,免费看黄色A片,女人18免费AA视频一级,日本主播一区。??01月05日,青海将留守和流动儿童纳入困境儿童心理健康关爱对象,
每年的这个时间，我们都举行这样一种特殊的仪式，叫做“结业仪式”。今天，你们将拿到人生的第一张学历证书——小学结业证书，离别六年的小学生涯，跨入中学的大门，最先新的修业里程。有缘的是，在今年的每一张结业证书上，写着你的名字，也印着我的名字——薛法根。愧疚的是，作为校长，我至今还叫不出你们每小我私家的名字，没能和更多的同砚一起上过语文课。可是，这样的遗憾不会留给下一届结业生，我会给未来的每一个结业班学生上一堂课。只管纷歧定有你们的先生上得那么自然、那么默契，但一定不会让他们失望!
,自拍偷拍片,xxxxx 69,中出内射。【学生减少，缩减班级数不如推进小班化教学】
责编：卡尔罗
审核：阿萨德
责编：闫大有
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
