猫眼影戏
 |
|
猫眼影戏
张兆玉
手机审查
猫眼影戏记者 胡建玲 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1：51ⅴ精品国产91久久久久久
??01月06日,千年潞绸：岁月长河“织”繁华,
??01月06日,“三九”时节长江中游三省最高气温冲上20℃,
让我们用第二次热烈的掌声接待到来的高二吧，我们终于有了创立新的历史的时机啦 。
,久久首页精品视频,成人 扒开,www.色视频 。??时势2：皇品汇破解版
??01月06日,基层女工成长记：做好“排头兵” 她在岗位上发光发热,
“这绝对是一个惊世的奇才，值得抢夺与作育！”
?第七十章 败家子,无码精品人在线观看,小仙女自慰软件,三级片精品 。??01月06日,国家网信办发布第七批深度合成服务算法备案信息,
“哇哦，好厉害的小孩子！”两个小女人双眼发光，跳下雪羽，跑到了近前，想揉捏小不点的面颊 。
,爱搞为爱搞点激,免费观看a视频,一区在线观看黄色毛片视频 。??时势3：免费网站黄色一级片
??01月06日,琼州海峡54艘客滚船完成“体检” 即将投入春运运营,
山石中传来一声咆哮，银白色穿山甲发疯，猖獗摆尾，同时自石堆中窜出，人立而起，以那两米多长的巨角刺向青鳞鹰的胸膛 。
,成人免费 游戏,黄色一级片操逼视频,欧美日本男女性爱视频 。??01月06日,广西友谊关公路口岸浦寨通道首票进境粮食顺利通关, 针对上述情形，通用汽车高管体现，企业对扭转中国市场的销售时势仍有信心，他们希望旗下新能源车型能在中国市场继续发力 。据彭博社报道，通用汽车董事长兼首席执行官玛丽·博拉此前体现，“当你视察中国市场时，会发明它与5年前有很大差别 。我们希望能够以准确的方法加入到这个市场中 。”只管在中国市场份额占比不大，但斯特兰蒂斯也看好中国市场，并“入股”中国车企 。去年10月，斯特兰蒂斯宣布与中国零跑汽车成为全球战略同伴，并向后者投资15亿欧元 。,欧美巨大粗爽91,欧美日韩性爱在线,久草毛片视频 。
??时势4：无图无码视频网站在线
??01月06日,古井贡酒·年份原浆独家特约中央广播电视总台2025乙巳蛇年《春节联欢晚会》,
4、上学、下学途中要遵守交通规则，不得私自骑电动车上学，避免交通事故的爆发 。
,看外国黄色A片子,欧美黑欧美黑人双飞一3p,啸啸啸 3 。??01月06日,厄瓜多尔发生武装袭击事件 造成至少10人死亡,
四是进一步增强村级班子的协力 。 村党支部书记和村委会主任作为村级两个主要组织的认真人，两者的关系怎样，将直接影响农村下层组织和各项事情的开展，准确处置惩罚好两者的关系，能切实增强村级组织的协力 。为此，我们要做到以下几点：一要分清职责，细密相助 。从理论上讲党支部书记主持认真村党组织事情，村委会主任主持认真村委会事情，职责是明确的 。但现实上，村党支部的事情和村委会的事情在有些方面是交织、渗透的 。因此有须要凭证事情需要，凭证优势互补的原则，围绕党支部和村委会的事情目的，确定各自分担的内容，使责任明确，各负其责，阻止推诿扯皮或相互争权 。但同时又要做到，既分工明确，又亲近相助，提高事情的整体效益 。二要相互交流，相同头脑 。村党支部书记应实时向村委会主任转达上级的指示、事情信息，起劲支持村委会主任自力事情，依法行使职权;村主任对村重大经济建设和较大经济支出，要实时向支部书记汇报，在作出重大决议前，村党支部书记与村委会主任应碰头通气，统一熟悉 。三要襟怀坦率，明确支持 。相互间的友谊、体贴和支持是最主要的 。村党支部书记与村委会主任要自觉做到不争权力巨细、只比孝顺几多，以事业为重，阵势为重，大事讲原则，小事讲气概，不盘算小我私家得失和恩仇，一切为了配合把村里的各项事情搞好 。四要发明矛盾，实时化解 。在村党支部书记与村委会主任关系处置惩罚不当爆发矛盾时，两者要实时调解心态、明确位置，分清是非，做好事情，化解矛盾，不要等问题成了堆，再行止置解决 。
,黄色视频aaaaaa视频,学生妹淫荡视频免费看网站,一级二级三级黄片在线视频 。责编：李代良
审核：韦斯利-约翰逊
责编：胡抡
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
