首页
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!
《糖心app免费版下载》,《Q8X2R7L1T4J5M9B6W3》a片久久综合视频
“糖心logo国产专区丝袜高清”
久久一级av
……
01月08日
“极品自拍白浆潮喷在线”勇士主场战胜独行侠
↓↓↓
01月08日,外国驻蓉领事机构官员看四川“两会”:见证四川发展 把握合作机遇,男女干逼视频,yw1 9 3.com,十八岁一千个黄色网站,男人的天堂网站上
01月08日,GS1数字化公共采购座谈会举行,共谋采购行业升级新路径,长治一级特黄片,爱操逼综合网,91福利精品在线,亚洲双飞
01月08日,四川成都市域(郊)铁路成德线首台盾构机始发,国产一区二区熟女视频,尤尔哈2b的爆乳约炮裸装露胸不穿衣服,一级国产日姘视频,玩小处雏男av网站
01月08日|为高质量发展提供强劲推动力(评论员观察)|妹妹娇小呻吟双腿大开|在线无码高清不卡|欧美黄色视频在线免费看|黑人性爱网址
01月08日|中国人寿投资实体经济存量规模超4.4万亿元|夏色奇迹成人AV影院|精品无码三级在线观看视频|学生明星反搓黑料在线观看|minecraft jenny 18+
01月08日|陈茂波将率团访沙特阿拉伯 推介香港金融及创科优势|在线播放免费不卡视频|国产精品 A片在线观看原神|正在播放水嫩国产|嗯~啊~快点 死我雏田网站……
01月08日,贝林厄姆绝杀 皇马逆转巴萨笑傲“国家德比”,呦在线观看欧美一区,婷婷色国产精品视频一区,91chinese自拍,jZZ2欧美性高清
01月08日,2023年12月规模以上工业主要能源产品生产保持稳定增长,女人和拘做受A级毛片野外,美女高潮喷水视频一二三区,18爱www免费视频在线观看,操屄小说乡下女人一级毛片
01月08日|铁路优化运输组织 助力秋粮运输跑出“加速度”|好男人社区在线影视WWW|成年美女黄频|日韩在线啪|91精品国产白丝无码网址
01月08日,文化中国行丨春节申遗成功 文成太公祭和浦江板凳龙成为代表性内容,性妓奴虐重口A片视频免费,一级aⅴ片,影音先锋色先锋久久加久,超碰人人操人人摸9
01月08日,习近平离京赴利马出席亚太经合组织第三十一次领导人非正式会议并对秘鲁进行国事访问,嫩草 Av91,免费一级中文字幕高清,欧美一级婬片A,日韩午夜福利无码专区A
01月08日,2024年中日韩青年峰会在首尔开幕,免费黄色视频网站,久久这里只视频精品,日韩一级视频欧美一级,亚洲精品免费视频
01月08日|伊朗称以军空袭致4名士兵死亡 部分地区遭受“有限损失”|人人干夜夜艹|男男跪床 被|国产一级一片免费播放无码|伦视频中文字幕亚洲视频唯美视频欧美视频
01月08日|第三届广东青少年粤剧夏令营开营|国内自拍高清第一页在线观看|一级片黄片视频|xx69欧美|工本口子库漫画版下拉式免费观看
01月08日|水利部针对8省启动干旱防御Ⅳ级应急响应|三月七黄片|免费的av黄片|亚洲一区二区有限公司|欧美一级天堂
警方辟谣2024年兰州公交涨价,第96届奥斯卡颁奖典礼|韩政府向近5000名拒不返岗医师发送吊销执照预告通知|被c做|亚洲色图 五月天|古董商流眼泪翻白眼咬图片|天天色狼网
监制:邓金木
策划:赖晗
主创:唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑:王家菁、段圣祺
2024囊谦自然观察节落幕 记录到396种物种
大力弘扬教育家精神|张小龙:快乐的苦行僧 幸福的追梦人
300多项科技创新成果将亮相2024广东省科普创新展
通讯:“85后”博士伉俪扎根中国北疆找到人生新赛道
父母与启蒙教练眼中的刘洋:用天赋与坚持铸就卫冕之路
中国“德企之乡”江苏太仓为第500家德企授牌
专精特新企业营收保持较快增长
汇丰亚太发行45亿元人民币熊猫债
复旦科创投资基金启动 聚焦科技前沿打造创新“核爆点”
发票中奖无法兑现打印错误公司赔付
小 伸入 视频直接看不用下载
西欧黄色片
一级做一级爱a做片性视频视频
老色鬼精品视频免费播放
国产精品久久va黄片
熊猫电影yy8y全部免费观看
www.0731888888.com
一小孩半夜给女神吃坤坤
91色综合久
人人艹 人人摸