猫眼影戏
 |
|
猫眼影戏
王衍用
手机审查
猫眼影戏记者 赫兰德 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：国内精品国产三级
??01月08日,歌剧《马可·波罗》重现广州大剧院舞台,
这次代表大会，是X乡在深入贯彻落实科学生长观，组织实验“”妄想、抢抓新一轮西部大开发机缘、建设社会主义协调社会主要时期召开的一次大会，也是围绕“加速生长、加速转型、推动跨越”的主基调，凭证“抓机缘、提速率、上台阶”的总要求，加速推进富民兴关伟大事业新的生长阶段召开的一次十分主要的大会，是一次继往开来、继往开来的大会？谜獯尉刍，完成好大会的各项使命，关于营造“生长要快、民俗要正、作风要实、干部要干”的优异政治生态情形，进一步增强农村下层组织的战斗力、凝聚力和创立力，增进经济社会又好又快、更好更快生长具有十分主要的意义。
,高清无码aaaaa特级黄色视频免费看视频。??01月08日,长沙：“00后”外籍男美人鱼火“出圈” 刚柔并济徜徉水下世界,
??时势2：欧美日韩在线观看二区视频
??01月08日,太原汾河湿地迎来越冬白鹭,
禽鸣越发慑人了，震的洞内灰尘簌簌坠落，石块翻腾，那密布鳞片的重大躯体一步一步靠近，恼怒的开凿岩壁。
,四肢绑住双脚不能掉下的图片,欧美又硬又黑又大又粗又长,性爱视频污夫妻激情网站。??01月08日,郑州海关党委委员、副关长、一级巡视员孙晨明被查,
“吼！”与此同时，石林虎一声大吼，他知道情形紧迫，用尽全身实力催动，左臂亮起，浮现几个骨文，灿灿生辉，此后他猛地将那块兽臂骨按了上去。
,精品网站国产精彩,8x拔插91看片高潮无套a樱花福利,黄色日比3级片欧美。??时势3：发廊勾引视频在线观看
??01月08日,滇黔桂三省（区）共管库区水上搜救联合应急演练举行,
效果绚烂的~~~~年已经竣事了，在上一年，我们辛勤的支付获得了上级向导和社会上的赞扬、信任与肯定，使我们的着名度、美誉度有了很大的提升，实现了双赢。~~~~年我们又迎来了新的使命和挑战，首先，我代表中心向导班子，向列位对我们的信任与支持体现谢谢。在新的一年，我们要继续遵照区市政市容委的安排，弘扬“爱国、立异、容纳、厚德”的北京精神，在“团结主要、严肃活动”的事情气氛下，珍惜我们来之不易的效果，鼓足劲头、凝心聚力，继续向新的挑战目的斗争，下面我说一下今年的事情重点和要求：
,刘亦菲极乐宝鉴2023年最新一期,欧一美一性一交一精品,国产精品久线在线观看。??01月08日,中新领导人会晤联合成果声明（全文）,
“吾之剑……吾之剑……”声音时断时续。
,久草三级视频观看在线,国产馆在线,手机在线你懂得的。??时势4：赵露思吃鸡巴全过程视频
??01月08日,习言道 | 新年第一课，习近平为“金融强国”划重点！,
在喀嚓声中，那一串雪白的骨珠一颗一颗的炸碎，强盛的符文之力所有消逝，化出一片汪洋般的神光，扩散向四方。
,成人午夜黄色视频,日本免费 做受,曰本女人牲交全视频播放毛片。??01月08日,银川8岁萌娃玩“漂移车”：速度要快 姿势要帅,
今天中午开会，太阳没有出来，这叫天公作美，担心把你们晒着了。但阳光，却应该在我们每一个同砚的心中。我想说的是：未来是优美的，愿你们正在走的和将要走的人生之路像阳光一样绚烂!
,欧美老妇人与小伙子性,日本人AAAA一级黄色视频,殴美黄片视频。【广州今年将建设百个高质量就业社区（村）】
责编：魏庆杜
审核：缪开宝
责编：梁义道
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
