猫眼影戏
 |
|
猫眼影戏
熊希龄
手机审查
猫眼影戏记者 陶成 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：国产综合色产在线精品
??01月05日,五台山景区自有车辆5月1日起单双号限行 试行一年,
??01月05日,（聚焦中国高质量发展）普洱景迈山古茶林文化景观,
⑤ 新产品研发、新手艺应用能力突显，各项治理日益规范化。
,操操影院,在线AAA精品,国产超碰精品热久久91。??时势2：国产美女视频国产视视频免费观看
??01月05日,吉林发力校园冰雪运动普及 将建千所冰雪运动特色学校,
远处，所有观战的人都流汗，不知道说什么好了，这个孩子还真极品。不久前，许多人还以为他很迷糊，什么都不懂，现在众人皆翻白眼，这个骗子，抢劫犯，恶魔！
,黄色视频黄色视频黄色视频黄色视频黄色网址黄色网址黄色网址,女性脱 给我揉 变态,91aaa精品无码。??01月05日,云南普洱“单腿夫妻”自强创业助残扶弱,
在场的人皆感伤，有些人生而为神、为圣，注定要照亮这片大地，没有人可以阻挡他们崛起的程序。
,色哟哟在线观看www,在线免费黄色视频99爱,先锋资源影音资源。??时势3：免黄色网
??01月05日,近距离感受这份帅气！海军陆战队员珠海航展地面训练英气逼人,
商会，建设于年9月29日，建设以来，在各界的鼎力大举眷注下，康健生长，现在已拥有会员单位家。商会的生长得益于各级和各界人士的体贴和支持，得益于商会会员的配合起劲，得益于全体商会成员的同心协力。在此，我代表商会，对在座的列位体现由衷的敬意和深深的谢谢。
,免费看女生隐私视频网站观看入口,欧美亚洲另类亚洲一区,wwwxx在线观看。??01月05日,澳大利亚华裔青少年在皖开启“中国寻根之旅”,
几个孩子被惊的倒退，此后一屁股坐在了地上，连忙用双手掩住耳朵举行；，不然耳膜都可能被震裂。
,黄comcomwwwwww片,超碰在线免费观看免费在线观看免费在线观看免费在线观看免费在线观看免费在线,超黄色网站。??时势4：中文字幕 有限公司 视频一区
??01月05日,丹麦名将安赛龙羽毛球男单卫冕,
一个干部侵蚀变质，险些都是从小事不注重、小节不检核最先的，它和任何事物的生长一样，都履历一个从量变到质变的历程，都类似一场千里之堤、溃于蚁穴的杯具。为什么守不住小节呢一个最基础的缘故原由就是不看重“小节”，对“小节”缺乏苏醒的熟悉，往往以为喝点小酒、收点小礼、拿点小钱不是什么问题，但现实上，这就是一种侵蚀剂!轻者重之端，小者大之源。小节失守，大节难保;小洞不补，大洞难堵。不虑于微，始贻大患;不防于小，终累大德。我们一些同志对此没有引起足够的重视，在小节上漫不全心、疏于提防，甚至以为只要不犯大过失，不搞大糜烂，犯点小过失，得点小实惠，于自我无伤细腻，于纲纪有隙可乘。凡此种.种，由于心存幸运而滋生的“小节无事论”、心存攀比而滋生的“小节无害论”、心存杂念而滋生的“小节无法论”，都是极其危险、极其有害、极其恐怖的过失熟悉。
,18馃崋馃崙馃崙馃崙13,精品爱国产,中文在线观看。??01月05日,首届中国青少年高尔夫球精英赛挥拍,
水火无情，人有情”我眼中的消防战士，他们虽然都是通俗而又通俗的人，但他们却做着欠亨俗的事。由于有这样的人，人民生涯才这么平安幸福!我们的社会才这么协调!我们的祖国才会越发完善和稳固!
,不卡av免费网址,国产欧美色,一区二区三区,欧美美女。责编：蒋大计
审核：林红
责编：胡寅
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
