多模態(tài)大模型（MLLMs）雖然在圖像理解、視頻分析上表現(xiàn)出色，但多停留在整體場景級理解。

而場景級理解 ≠ 視覺理解的終點，現(xiàn)實任務(wù)（如自動駕駛、機器人、醫(yī)療影像、視頻分析）需要的是細粒度、對象級（object-level）詳細理解。

然而，當(dāng)下的研究工作，如英偉達的Describe Anything Model (DAM)局限于單個物體的描述，難以深入理解多對象屬性、交互關(guān)系及其時序演變，且犧牲了模型本身的通用理解能力。

針對這一問題，浙江大學(xué)、達摩院、香港理工大學(xué)聯(lián)合提出了一種創(chuàng)新的解決方案PixelRefer：一個統(tǒng)一的時空像素級區(qū)域級理解框架，可實現(xiàn)任意粒度下的精細視覺指代與推理，在多項像素級細粒度理解任務(wù)取得領(lǐng)先性能表現(xiàn)。和DAM-3B相比，輕量版的2B模型推理時間加快了4倍，顯存占用減半，且訓(xùn)練數(shù)據(jù)量大大少于已有方法。

PixelRefer能夠?qū)θ我饽繕?biāo)實現(xiàn)準(zhǔn)確語義理解以及時空物體區(qū)域理解。

• 論文標(biāo)題：
• PixelRefer: A Unified Framework for Spatio-Temporal Object Referring with Arbitrary Granularity
• 論文鏈接：
• https://arxiv.org/abs/2510.23603
• 項目網(wǎng)站鏈接：
• https://circleradon.github.io/PixelRefer/
• 代碼鏈接：
• https://github.com/DAMO-NLP-SG/PixelRefer

先驗分析：大模型“如何看懂區(qū)域”？

為了探索解決以上問題，作者基于通用視覺基礎(chǔ)模型采用最直接的設(shè)計：將全局視覺token+像素級區(qū)域token+文本token一起喂給 LLM。當(dāng)無物體指代區(qū)域時，模型則退化成通用視覺理解任務(wù)，從而實現(xiàn)區(qū)域理解的同時，保留通用模型本身的通用理解能力。

作者對LLM內(nèi)從淺層到深層中分析視覺token、區(qū)域token以及其他類型token進行可視化分析。本文可以發(fā)現(xiàn)從淺層到深層，答案（Ans）優(yōu)先關(guān)注像素級區(qū)域token，其attention分?jǐn)?shù)一直很高，說明物體token表征對于模型的回答起到重要的作用。此外，全局圖像token（vision）則僅在淺層中（第一層）表現(xiàn)出較高的attention分布（Answer-to-image token attention），LLM的深層則表現(xiàn)較弱，甚至沒有影響，這個在通用視覺基礎(chǔ)模型研究中也被討論到。

淺層到深層的attention可視化

基于此分析，作者得出兩種設(shè)計方案：

1. 高質(zhì)量像素級物體表征很重要：對于像素級區(qū)域的表達，語義豐富的區(qū)域表征直接決定像素級語義理解的質(zhì)量；
2. 全局信息的冗余可以通過“預(yù)融合”優(yōu)化：在 LLM 深層階段，全局視覺標(biāo)記的作用顯著減弱，在深層階段反而變得冗余，說明其信息可提前注入對象標(biāo)記中，以大幅減少計算開銷。
3. 
   

方法設(shè)計

為此，作者針對像素級細粒度理解定義了兩種框架，Vision-Object Framework (a)與Object-Only Framework (b)：

PixelRefer（Vision-Object Framework）

對于PixelRefer，作者把全局視覺token+像素級區(qū)域token+文本token一起送入 LLM，既保留場景語境，又在對象級上精細推理。關(guān)鍵在于像素級區(qū)域表征token質(zhì)量足夠高。為此，作者提出尺度自適應(yīng)對象分詞器（Scale-Adaptive Object Tokenizer, SAOT） 來生成精確、緊湊、語義豐富的對象表示。

SAOT 圍繞兩個設(shè)計：（i）小目標(biāo)容易在patch化后丟失細節(jié)；（ii）大目標(biāo)的特征冗余嚴(yán)重。

核心做法分三步：

1. 動態(tài)尺度處理（Dynamic Object Processing）。按像素級區(qū)域大小自適應(yīng)地放大小物體、縮小大物體，并進行上下文擴展（在目標(biāo)周圍留出一定背景），保證既不丟細節(jié)也不過度冗余。隨后通過共享視覺編碼器取到區(qū)域級特征。
2. 位置感知的掩碼特征抽?。∕ask Feature + Relative Positional Encoding）。對區(qū)域內(nèi)的有效特征做掩碼并疊加相對坐標(biāo)投影，形成位置感知的對象token，為后續(xù)推理提供“這片語義在圖像哪里”的線索。作者還為被裁剪/擴展后的區(qū)域加入相對位置編碼來緩解對齊歧義，使對象token具備空間感知。
3. 冗余聚合（Abundant Feature Aggregation）。對大/同質(zhì)區(qū)域里高度相似的token，采用k-means 聚類合并，只保留n 個代表性token，既壓縮冗余又保留多視角細節(jié)。這一步實證上顯著降低了對象內(nèi)部token的相似度，提高了表示“緊致度”。

PixelRefer-Lite (Object-Only Framework)

該變體僅使用對象標(biāo)記進行 LLM 推理，借助對象中心信息融合模塊（Object-Centric Infusion Module, OCI）將全局特征在前處理階段融合入對象表示中。通過 Local-to-Object 和 Global-to-Object Attention，使目標(biāo)的表征同時具備細節(jié)感知與全局語義，從而實現(xiàn)更完整的上下文融合。這樣一來，推理階段無需再使用全局視覺標(biāo)記，顯著降低顯存與時間消耗，同時保持語義一致性與理解精度。

PixelRefer-Lite 實現(xiàn)了一個高效的推理框架，在保持高性能的同時將推理速度提升約 2–3 倍。

數(shù)據(jù)集

作者收集并開源了用于訓(xùn)練的兩類數(shù)據(jù)集，分別是Foundational Object Perception（140萬樣本）：涵蓋物體、部件、時序關(guān)系的識別與描述以及Visual Instruction Tuning（80萬樣本）：覆蓋區(qū)域QA、視頻QA、多對象關(guān)系與未來事件預(yù)測QA。

性能結(jié)果

• 對于圖像像素級細粒度理解benchmark

PixelRefer在多個圖像理解benchmark上已達到SOTA水平，不論是簡單的區(qū)域識別還是詳細理解，已成為最先進的模型，特別是在reasoning場景下，更是展現(xiàn)出了突出優(yōu)勢。

• 對于視頻像素級細粒度理解benchmark

在經(jīng)典的VideoRefer-Bench上，不論是視頻區(qū)域的caption還是QA，均取得了領(lǐng)先性能，展現(xiàn)了通用而又全面的能力。

• 對于推理時間與效率的計算

在基于圖片的benchmark DLC-Bench和基于視頻的benchmark上HC-STVG上均進行了測評，輕量版的PixelRefer-Lite-2B模型有較大的領(lǐng)先優(yōu)勢，特別是在視頻上，相較于DAM-3B，推理時間縮短了約4倍，顯存占用減少了2倍。

• 消融實驗：Scale-adaptive Object TokenizervsMaskPooling

• 相較于之前簡單maskpooling的做法，作者提出的Scale-adaptive Object Tokenizer模塊有明顯的提升，特別是在小目標(biāo)理解上，在LVIS和DLC-Bench上均提升了十幾個點。

• 消融實驗：對于區(qū)域token的表征個數(shù)

研究意義與總結(jié)

PixelRefer的出現(xiàn)，標(biāo)志著AI視覺理解從“看懂一張圖”邁向“理解世界的細節(jié)動態(tài)”，為多模態(tài)大模型的精細化視覺理解提供了新的方向。應(yīng)用前景包括：

• 自動駕駛的時序場景識別
• 醫(yī)療影像的病灶級理解
• 智能視頻剪輯與監(jiān)控
• 多模態(tài)對話與人機交互

未來的多模態(tài)AI，不僅會“看見世界”，更會理解世界的關(guān)系。PixelRefer的提出，正是通向通用視覺智能的一塊關(guān)鍵拼圖。