猫眼影戏
 |
|
猫眼影戏
陈仕川
手机审查
猫眼影戏记者 艾特熊 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：WWW180亚洲性爱
??01月06日,10国留学生在重庆感受西部陆海新通道建设新貌,
石村中人越发恼怒了，这还在他们的地界，狈村的人行事肆无忌惮，这样安排，绝对会造成血腥悲剧。
,黑硬粗欧美A片视频免费在线观看。??01月06日,广东研学团“city walk”北极村 在中国最北邮局给亲友寄出惊喜,
“那里有一座重大的鸟巢，筑在山巅，压盖住了整座山头！”
,脱 让学生摸 手机VR游戏,超碰免费人人操,我脱了麻麻的内裤让我看见了。??时势2：中日韩大黄片
??01月06日,城轨交通领域创新成果集中亮相南京,
各人好!
,99免费黄色,黄色日韩一区二区,日韩AV人妻精品无码系列。??01月06日,2024再启新程！新的一年如何更好吸引外资？专家解读→,
第二，要规范操作。选举爆发县党代表是一项十分严肃的政治事情，必需坚持依法、依规操作。要严酷按事情流程效劳。党代表选举要经由的四个阶段，每个阶段的每个环节都要规范，在程序上不允许有自由度和随意性。要坚持标准，推荐好党代表准备人选。各选举单位的党(工)委，在确定代表准备人选时，要把坚持党的向导、充分发挥民主、严酷依法效劳有机连系起来，既要组织所属党组织接纳自下而上和自上而下相连系的方法，对起源人选充分酝酿和讨论，又要强化对推荐事情的向导，把组织意图融入推荐事情中，严酷把关，使确定上报的准备人选具有先进性、普遍性和代表性。
,亚州激情在线视频免费观看,91国自产拍精品换脸,人人操人人去人人去。??时势3：青榴在线播放
??01月06日,2024柏林葡萄酒大奖赛冬季赛结果揭晓 中国区斩获88枚大奖,
日落时，他们才回来，旅程遥远，青鳞鹰飞了一天，即便为远古魔禽的后裔，也有些疲累了。
,18鍕曫煃嗮煃戰煍炩潓鉂屸潓,福利视频免费一区,芒果浏览器。??01月06日,（文化中国行）南京六朝博物馆：这些文物有着来自六朝的“微笑”,
长长的跑道上，
,黄色网站无码,泑女黄色网站,av先锋资源。??时势4：火影宝藏cc
??01月06日,波兰外交部：俄罗斯驻波兹南总领馆须在11月30日前关闭,
一群人哑然。
,超级乱婬片67194免费看,www高清激情无码免费视频大全,欧美字幕第一页。??01月06日,（巴黎残奥会）中国体育代表团各项准备工作基本就绪,
高中时期是人生走向成熟、走向自力的阶段。在这一阶段，你会发明自己已不再像初中时那样动荡、不稳固，生长转变那样显着;自己不再同流合污，对问题会有自力的看法、看法;高中意味着青春洋溢，意味着生气蓬勃、意味着无忧无虑。它使得几多作家为之赞美!为之倾倒!它又引起几多人优美的回忆!然而，这个鲜花开放的季节并非总是阳灼烁媚，也许不知哪边飘来的乌云会悄悄笼罩你心灵的天空;于是伴着霏霏细雨，郁闷和懊恼油然而生。刚最先的日子，脱离了相伴多年的同砚和先生，脱离了怙恃乡亲，看到的是全新的面目，你也许会有一些失踪和主要;刚刚熟悉了新的情形，学习上的不顺应又可能使你感应沮丧;比及一切纳入正轨，没准儿和先生、同砚的来往中又泛起了新的问题;对自己的熟悉也有些疑心和疑问。另外，你会盼愿和怙恃之间的关系是一律的、朋侪式的，但怙恃却总把你当成小孩子;当你最先对社会上的一些事情有奇异的看法，先生和家长却说你的看法片面、偏激、不可熟……总之，进入高中后学生一时不顺应新的情形。着实这是正常征象，和初中相比，高中不但仅是校园大了，人际情形和社会化的使命也比以前重大了，并且要学的工具更深更难了。各人从小积累起来的那点人生履历，一时应付不了新的情境，于是就泛起了不顺应。这种不顺应，可以看作是人生旅途中一次小小的；。但“；笔怯伞拔Ｏ铡焙汀笆被绷礁龃首槌傻。若是不是逃避矛盾，而是起劲增添一些新的知识和手艺，从不顺应变为顺应，就能为以后步入高；蛏缁嵊Ω对椒⒅卮蟮纳缁崆樾位勐睦。你一定要知道，你是一个生长中的强有力的人，你的身上有无限的潜力，期待着你去开发;你的大脑中有无限的智慧，期待着你去挖掘。只要不丢掉自信，你会微笑着穿过生长中的风风雨雨。
,国产精品一区无码视频,520201路com,一级毛片在线免费视频。责编：倪明檀
审核：乔恩红
责编：谭耀文
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
