PixelRefer ：让AI从“看大图”走向“看懂每个对象”

多模态大模型（MLLMs）虽然在图像理解、视频分析上表现出色，但多停留在整体场景级理解。

而场景级理解 ≠ 视觉理解的终点，现实任务（如自动驾驶、机器人、医疗影像、视频分析）需要的是细粒度、对象级（object-level）详细理解。

然而，当下的研究工作，如英伟达的Describe Anything Model (DAM)局限于单个物体的描述，难以深入理解多对象属性、交互关系及其时序演变，且牺牲了模型本身的通用理解能力。

针对这一问题，浙江大学、达摩院、香港理工大学联合提出了一种创新的解决方案PixelRefer：一个统一的时空像素级区域级理解框架，可实现任意粒度下的精细视觉指代与推理，在多项像素级细粒度理解任务取得领先性能表现。和DAM-3B相比，轻量版的2B模型推理时间加快了4倍，显存占用减半，且训练数据量大大少于已有方法。

PixelRefer能够对任意目标实现准确语义理解以及时空物体区域理解。

• 论文标题：
• PixelRefer: A Unified Framework for Spatio-Temporal Object Referring with Arbitrary Granularity
• 论文链接：
• https://arxiv.org/abs/2510.23603
• 项目网站链接：
• https://circleradon.github.io/PixelRefer/
• 代码链接：
• https://github.com/DAMO-NLP-SG/PixelRefer

先验分析：大模型“如何看懂区域”？

为了探索解决以上问题，作者基于通用视觉基础模型采用最直接的设计：将全局视觉token+像素级区域token+文本token一起喂给 LLM。当无物体指代区域时，模型则退化成通用视觉理解任务，从而实现区域理解的同时，保留通用模型本身的通用理解能力。

作者对LLM内从浅层到深层中分析视觉token、区域token以及其他类型token进行可视化分析。本文可以发现从浅层到深层，答案（Ans）优先关注像素级区域token，其attention分数一直很高，说明物体token表征对于模型的回答起到重要的作用。此外，全局图像token（vision）则仅在浅层中（第一层）表现出较高的attention分布（Answer-to-image token attention），LLM的深层则表现较弱，甚至没有影响，这个在通用视觉基础模型研究中也被讨论到。

浅层到深层的attention可视化

基于此分析，作者得出两种设计方案：

1. 高质量像素级物体表征很重要：对于像素级区域的表达，语义丰富的区域表征直接决定像素级语义理解的质量；
2. 全局信息的冗余可以通过“预融合”优化 ：在 LLM 深层阶段，全局视觉标记的作用显著减弱，在深层阶段反而变得冗余，说明其信息可提前注入对象标记中，以大幅减少计算开销。

方法设计

为此，作者针对像素级细粒度理解定义了两种框架，Vision-Object Framework (a)与Object-Only Framework (b)：

PixelRefer（Vision-Object Framework）

对于PixelRefer，作者把全局视觉token+像素级区域token+文本token一起送入 LLM，既保留场景语境，又在对象级上精细推理。关键在于像素级区域表征token质量足够高。为此，作者提出尺度自适应对象分词器（Scale-Adaptive Object Tokenizer, SAOT） 来生成精确、紧凑、语义丰富的对象表示。

SAOT 围绕两个设计：（i）小目标容易在patch化后丢失细节；（ii）大目标的特征冗余严重。

核心做法分三步：

1. 动态尺度处理（Dynamic Object Processing）。按像素级区域大小自适应地放大小物体、缩小大物体，并进行上下文扩展（在目标周围留出一定背景），保证既不丢细节也不过度冗余。随后通过共享视觉编码器取到区域级特征。
2. 位置感知的掩码特征抽取（Mask Feature + Relative Positional Encoding）。对区域内的有效特征做掩码并叠加相对坐标投影，形成位置感知的对象token，为后续推理提供“这片语义在图像哪里”的线索。作者还为被裁剪/扩展后的区域加入相对位置编码来缓解对齐歧义，使对象token具备空间感知。
3. 冗余聚合（Abundant Feature Aggregation）。对大/同质区域里高度相似的token，采用k-means 聚类合并，只保留n 个代表性token，既压缩冗余又保留多视角细节。这一步实证上显著降低了对象内部token的相似度，提高了表示“紧致度”。

PixelRefer-Lite (Object-Only Framework)

该变体仅使用对象标记进行 LLM 推理，借助对象中心信息融合模块（Object-Centric Infusion Module, OCI）将全局特征在前处理阶段融合入对象表示中。通过 Local-to-Object 和 Global-to-Object Attention，使目标的表征同时具备细节感知与全局语义，从而实现更完整的上下文融合。这样一来，推理阶段无需再使用全局视觉标记，显著降低显存与时间消耗，同时保持语义一致性与理解精度。

PixelRefer-Lite 实现了一个高效的推理框架，在保持高性能的同时将推理速度提升约 2–3 倍。

数据集

作者收集并开源了用于训练的两类数据集，分别是Foundational Object Perception（140万样本）：涵盖物体、部件、时序关系的识别与描述以及Visual Instruction Tuning（80万样本）：覆盖区域QA、视频QA、多对象关系与未来事件预测QA。

性能结果

• 对于图像像素级细粒度理解benchmark

PixelRefer在多个图像理解benchmark上已达到SOTA水平，不论是简单的区域识别还是详细理解，已成为最先进的模型，特别是在reasoning场景下，更是展现出了突出优势。

• 对于视频像素级细粒度理解benchmark

在经典的VideoRefer-Bench上，不论是视频区域的caption还是QA，均取得了领先性能，展现了通用而又全面的能力。

• 对于推理时间与效率的计算

在基于图片的benchmark DLC-Bench和基于视频的benchmark上HC-STVG上均进行了测评，轻量版的PixelRefer-Lite-2B模型有较大的领先优势，特别是在视频上，相较于DAM-3B，推理时间缩短了约4倍，显存占用减少了2倍。

• 消融实验：Scale-adaptive Object Tokenizer vs MaskPooling

• 相较于之前简单maskpooling的做法，作者提出的Scale-adaptive Object Tokenizer模块有明显的提升，特别是在小目标理解上，在LVIS和DLC-Bench上均提升了十几个点。

• 消融实验：对于区域token的表征个数

研究意义与总结

PixelRefer的出现，标志着AI视觉理解从“看懂一张图”迈向“理解世界的细节动态”，为多模态大模型的精细化视觉理解提供了新的方向。应用前景包括：

• 自动驾驶的时序场景识别
• 医疗影像的病灶级理解
• 智能视频剪辑与监控
• 多模态对话与人机交互

未来的多模态AI，不仅会“看见世界”，更会理解世界的关系。PixelRefer的提出，正是通向通用视觉智能的一块关键拼图。

文章来自于“机器之心”，作者 “机器之心”。