猫眼影戏
 |
|
猫眼影戏
玛丽莲·麦肯纳
手机审查
猫眼影戏记者 赵圆瑗 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：泥鳅钻入币币
??01月05日,《美丽广东建设规划纲要（2024—2035年）》印发,
同时，亿万多超市也是各人以后走向非洲的一个平台，各人可以借助我们在非洲的资源清静台，你可以进超市，租我们的园地，举行销售，也可以在非洲外地购地建厂，或者设立销售网点实现非洲直接配送。各人可以往越发久远的偏向思量，非洲都是原蓬勃国家的殖民地，保质保量的产品在非洲平台上会获得蓬勃国家的关注。那么你的产品有国际商业的相助同伴，你的产品赢得国际公司的收购，你的产品进入蓬勃国家的市场，无限商机等着你。这样的时机不是不可能，我通过自己遇到的一个真实故事，我以为很有须要和各人分享一下，有这么一位朋侪，是我在刚果金事情时熟悉的。早先他在海内由于没有收过很好的教育，越发没有一技之长，早早的步入社会，四处碰钉子，无意的一个时机他来到刚果金，从事销售打印机墨盒，短短几年，就已经抢占刚果金墨盒市场的一半。现在赚的钵满盆满。我想告诉各人的是并不是说他赚了几多钱，而是他在上面样的情形下有什么样的市场机缘可以让他一直的生长壮大的。现在安徽外经给各人提供了这么一个机缘，是你们走出国门的最好时机，可以说再芜湖只此一家，只此一处，为你的产品的未来生长实验可待，实验可成。
,香港黄色一级视频 啪 啪啪。??01月05日,数字社交如何重构“关系”？,
谢谢远道而来的朋侪为我们山区的孩子捐赠图书、学习用品、体育用品的善举;谢谢列位向导百忙之中光临~~小学，送来了党和政府的眷注与温暖;谢谢所有体贴农村教育，支持农村教育的朋侪，有了你们的支持，农村教育才华获得更好的生长。
,免费观看一级毛片在线视频,欧美精品狂躁在线视频,八卦海-abw-311执行官。??时势2：亚洲三级电影网站
??01月05日,哇！Chinese Kungfu！中国传统体育项目点燃巴黎街头,
随着信用卡的普及和使用，逾期还款成为了许多人关注的问题。作为中国农业银行旗下的信用卡产品，农行信用卡在市场上拥有普遍的用户群体。那么，农行信用卡凌驾几天算是逾期呢？逾期会对信用纪录爆发什么影响？逾期多久会被起诉，是否可以协商解决？下面将围绕这些问题睁开讨论。 一、农行信用卡凌驾几天是逾期 农行信...
??01月05日,俄外交部：俄罗斯不会用核武器威胁任何人,
今年7月11日，国务院决议，在天下建设农村最低生涯包管制度。这是一件划时代的事务，充分体现了党和国家对农村贫困群众基本生涯的极大致贴，是继作废农业税后出台的又一重大惠农政策。一直推进和完善农村低保事情的康健生长，是践行“三个代表”主要头脑的详细体现，是贯彻落实好科学生长观、构建社会主义协调社会、建设社会主义新农村的需要，是解决“三农”问题的主要办法和步伐，同时，也是增进城乡统筹生长、维护社会稳固的主要包管，是顺民意、得民心的一项主要事业。我区的各州里、各有关部分要提高熟悉，从实践“三个代表”主要头脑、落实科学生长观、构建社会主义协调社会的高度，充分熟悉做好这项事情的主要意义，切实增强责任感和使命感，接纳有力步伐，把这项惠及贫困群众的好事抓紧抓实，让农民群众获得实着实在的利益，亲自感受到党和政府的眷注和温暖。
,私人影院一级A,上饶机械设备生产厂家用小鹿营销导航,老师在办公室被躁在线视频。??时势3：欧美十八禁柔术在线视频
??01月05日,深港两地深化职业教育合作,
小不点很坚决，直接俯冲了下来，如一头神禽幼鸟，展翅击长空，此后极速下降，砰的一声踏在了祭灵的头上。
,老扒和陈荣,坤插桃子流牛奶,高清中文字幕在线A片。??01月05日,山西“标准地”改革位列全国第一方阵 出让“标准地”1796宗,
标记人以为，高新工业作为21世纪最富有创立力和生命力的工业，将逐步在国民经济中占有主要职位。eod生态办公作为现在风行全球的新兴办公形态，必将为越来越多的企业所追求和推许。两者之间的连系，必将爆发重大的经济和社会效益，推动时代前进与生长。
,99reav6.com,亚洲精品在线91,亚洲国产福利无码一区。??时势4：欧美视频亚洲性爱
??01月05日,中美青年结束“山西行” 冀借交流共建“友谊之桥”,
一是精神要集中。这次培训虽然有8天时间，但报到和离校就占了2天，现实我们坐下来学习的时间只有6天时间，这6天的课程都安排得较量紧凑，内容也较量富厚，学习使命很重。因此，各人要潜心学习，每个同志都要能够坐得下来，静得下心，钻得进去，集中精神，抓勤学习。只有这样，才华学有所得，学有所思，学有所成。
,二次元男生把小困困进女生困里视频,欧美爱爱电影一区二区,在线高清无码不卡。??01月05日,主要商业银行批量集中调整存量房贷利率 有人每月节省利息三千多, 在李龙心里，加入高考只为圆他的医学梦，“再次高考是想通过自己的起劲改变人生轨迹，完成梦想。希望我所转达出的是一种永不止步、一直向前的起劲态度。”李龙对上游新闻记者说。,有色视频哪里可以看自拍,国产一级无码AV片在线观看百度,国产99视频精品免视看9。
责编：孔和平
审核：杨坚
责编：秦昭公
Copyright (C) 2001- Dzwww 鲁ICP备09023866号-1
