猫眼影戏
 |
|
猫眼影戏
赵洪波
手机审查
猫眼影戏记者 杨炳华 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：黄色欧美韩国国产
??01月06日,红海局势持续紧张或将冲击约旦物价, 李龙坦言：“无论考试效果怎样 ，可能都会被关注 ，这确实需要勇气去面临。我深知机缘与危害并存 ，希望通过自己的起劲改变人生轨迹 ，能够告竣心中的梦想。同时希望我所转达出的是一种永不止步、一直向前的起劲态度。” ,偷拍性爱视频。
??01月06日,中国医学发展大会上，专家建议建立多学科融通式医学教育体系,
第一个驿站；在先生们的引领下 ，我们一起欢笑 ，一起打拼 ，一起见证了xx学院生长的一点一滴 ，也为我们的人生誊写了浓墨重彩的一笔。然而 ，弹指一挥间 ，大学时光已经悄然竣事了 ，我们又将背起行囊 ，开赴新的征程。有人说 ，大学是一个大熔炉 ，煅烧出了我们每小我私家与众差别的精彩人生。着实 ，虽然我们的母校不可跟一流的大学相提并论 ，但它同样给了我们一个斗争的驿站 ，一个公正的展示自我、磨炼自我的舞台 ，而我们正是这个平台上自由的舞者；虽然我们的先生们可能不是最优异的 ，可是 ，他们恪尽职守、尽职尽责 ，尽着自己最大的起劲作育教育了我们。在先生们孜孜不倦的教育下 ，我们掌握了富厚的专业知识 ，磨炼了顺应社会的能力 ，给了我们奋飞的同党。几年来 ，我们由当初的无邪壮丽、懵懂无知 ，到今日成熟稳重、壮志满怀 ，因此 ，我们生长了。
,日韩二区免费,美女免费秘 免费看网站,美妇岳的肉泬第13部分视频。??时势2：女女同恋一区二区三区
??01月06日,南开大学杜家骥教授讲清史 康熙的“红票”见证东西交流往事,
天亮后 ，雄伟的府邸中 ，雨蒙起身 ，在园林中散步 ，漫不全心的问道：“听说 ，你损失了一些人手？”
,欧美激情国产乱码伦,2021韩国片理论在线观看,日本小姐姐穿黑丝。被男生操。。??01月06日,首起虚拟主播“中之人”违约纠纷案宣判,
小石昊睁大了眼睛 ，他知道 ，那可能就是他的怙恃。
,51禁漫媚娘网,猛人库,国产一级久久久久毛片。??时势3：日韩一级电影网
??01月06日,2024年1—9月我国规模以上工业企业实现利润超5万亿元,
明天就是 我国的古板节日—端午节 ，为了“增强清静意识 ，提高自我；つ芰Α ，平安、快乐地度过端午节假期 ，现就假期清静提如下几点要求。
,一级毛片性交影院,欧美黄色精品偷拍,久久艹视频99。??01月06日,台退将吁“驱逐‘台独’” 国台办：展现黄埔人对统一的执着追求,
突然 ，正北偏向 ，一片炽盛的雷光泛起 ，那是一道道玄色的闪电 ，从一座山崖上劈落向石村 ，截击那正伸向高天的柳枝。
,国产农村人一级A片妓女,99九九久久99,免费一级a毛片在线播放直播。??时势4：动漫美女被 到爽 流火影忍者
??01月06日,青春赋能乡村振兴 南京建起青年与乡村双赢纽带,
“四太爷 ，求你不要杀我娘！”另一边 ，重瞳的石毅再次启齿 ，银刀沾血 ，划伤了脖子。
,女生吃丁丁网站,亚洲精品免费观看,乌克兰欧美内射毛茸茸。??01月06日,大湾区潮青集体骑行“向汕”迎全球潮团两大盛会,
炽盛霞光一闪 ，四大宗老攻击如狂风暴雨般袭来 ，宝术惊天。石子陵身体一晃 ，他的宝术被中止了 ，差点遭劫 ，双眼一下子酷寒了下来 ，盯着扑面。
?第六十章 谁与争锋,亚洲嫩模一区二区三区四区,影音先锋每日最新资源站,女人张开腿让男桶爽视频动漫。责编：郭兰中
审核：刘淇
责编：沈凌
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
