猫眼影戏
 |
|
猫眼影戏
李杨
手机审查
猫眼影戏记者 温斯顿·丘吉尔 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：jm350234花火
??01月08日,【国际漫评】日式“斯德哥尔摩综合征”,
2、调解好精神状态，不可散漫看待学习。包管富足的睡眠时间，第二天才会有饱满的精神状态看待学习。同时，更要起劲的调动学习热情，全身心投入到学习中去，严酷要求自己，今天的耕作即是明天的收获；一份支付就会有一份回报。
,富家养女被轮流爆炒的漫画。??01月08日,6个安置点58顶救灾帐篷完成搭建 新疆阿克苏消防正开展防火巡查,
一道苦闷的响声传来，小不点一脚踢起了那口千斤重的铜鼎，令它凌空飞起，撞向紫山昆与雷明远，由于这两人趁他交手时已经弯弓搭箭，冲向三只幼鸟。
,精品免费无码A片在线看,啊啊啊啊啊网站免费,开心了梦,浏览输[eeuz]点【CC】猎奇午夜。??时势2：你懂的小电影
??01月08日,(文化中国行)“中国第一座公共博物馆”南通博物苑为何取名“苑”？,
直到天亮，一群孩子尚有部分年轻人才瞪着熊猫眼从湖中爬上来，灰溜溜地逃回了自己的家门。
,免费吃奶摸下面,亚色网妓女网毛片网上射射网,诱奷小箩莉无删减版。??01月08日,冰雪春天｜北京冬奥会结束两年 为什么“冰雪热”热度不减,
石昊能举起千斤重的铜鼎，全力掷出铁矛，穿透力恐怖的惊人，刺向青鳞鹰的眸子。铁矛横空，发出咆哮声，挤压的空气都在随着轰鸣！
,小 伸进 抖滛,天天曰天天干,色偷偷综合网。??时势3：日本护士free另类内谢
??01月08日,新疆高级人民法院原党组成员蒋新华接受审查调查 ,
(三)村干部要坚守责任继续，争做领头雁。 “ 火车跑得快，全靠车头带 ” 。在座的列位村干部要时常想一想：群众选我们做什么?在任应该干什么?未来要为整体留下点什么?要时刻有一种 “ 如履薄冰、如临深渊 ” 的；，时刻有一种 “ 群众选择了我，我决不负群众 ” 的责任感，始终将责任扛在肩上，抓在手中，领着群众跑、带着群众干，锐意刷新、高昂进取。要始终坚持问题导向，每位村干部都要强化一种继续意识，就是任期内，下刻意解决一批事关群众切实利益的问题，以解决问题的效果守信于民。从全区的实践来看，通常事情开展的较好、村组织在群众中威信较高的村，都有一只优异的 “ 领头雁 ” 。各村 “ 两委 ” 主要认真同志特殊是村党组织书记，要强化主体责恣意识，当好班长，抓好班子，带好步队。村 “ 两委 ” 成员要精诚团结，顾全阵势，以党的事业为重，从全村利益出发，心往一处想，劲往一处使，形成协调共处、做事创业的优异时势。
,日韩XXXXX喷潮,一级黄毛片在线播放网站,www插插插免费无码视频网站。??01月08日,中柬启动“人文交流年” 两国民众期待“双向奔赴”,
轰！
,脱光打屁股下载软件,亚洲精品无码专区久久久,美女换衣裸体 扒开腿视频。??时势4：老太伦X❌0㐅0HD
??01月08日,泰国首辆在本地生产的量产纯电动车下线,
3.严守纲纪校规，拒绝早恋和网瘾。各人知道，国有王法，校有校纪，班有班规，没有规则，难成周遭。新生入学培训时代我们将组织各人学习我们学校的一系列规章制度，并由班级组织贯彻实验。以后我们将把教育的重点放在同砚们优异行为习惯和基础文明的养成上，从小事抓起，从讲文明，讲礼貌做起。我今天要特殊强调一点，就是要准确处置惩罚好男女同砚之间的来往，旌旗鲜明地阻挡早恋;科学处置惩罚好课余时间，拒绝网瘾。
,性色AV无码,A片67C7、COm,国产精品一二三区私人网站。??01月08日,第六届中法文化论坛在法国多维尔拉开帷幕,
像是九天上的惊雷响起，震的群山乱颤，它迅若一道金色的闪电，扑杀向那两头称尊一方的兽王。
,日产三级片,91精选在线,邹文静21集是什么。【川青铁路构筑民族经济共荣新通道】
责编：吴亚
审核：苏塞克
责编：周润健
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
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
