Last updated
近年来，大型视觉-语言模型（LVLMs）在从视觉输入生成详细且连贯的上下文响应方面取得了显著进展。这些模型结合了先进的大型语言模型（LLMs），以实现强大的语言生成和零样本转移能力。然而，LVLMs在多模态决策制定和开放式生成中的应用受到幻觉问题的限制，即生成的文本不准确地表示视觉内容。
早期研究已经识别了导致LVLMs幻觉的几个主要因素，包括训练过程中遇到的统计偏差和对语言先验的过度依赖。此外，多模态不对齐也被认为是幻觉发生的关键因素。为了解决数据集偏差，引入了注释丰富技术，为了对抗语言先验的影响，开发了后处理策略，并全面改进了通过优化与人类对齐的多模态对齐。尽管这些干预措施已被证明在减少幻觉方面有效，但它们需要大量的人力参与，并带来显著的计算成本，用于额外的训练或集成补充模块。
本文介绍了一种名为指令对比解码（Instruction Contrastive Decoding, ICD）的新方法，旨在减少LVLM推理期间的幻觉。ICD的灵感来自于观察到所谓的干扰指令显著加剧了多模态融合模块中的幻觉。ICD通过对比标准指令和指令干扰下的分布，增加对齐不确定性，有效地从原始分布中减去幻觉概念。
对指令干扰加剧幻觉的现象进行了深入分析，并通过统计偏差和语言先验提供了对根本原因的细致理解。
基于上述见解，引入了ICD方法。这种新策略在推理期间通过调整分布来有效减轻幻觉，强调了初始突出幻觉，然后通过对比解码减少幻觉。
通过广泛的实验和分析，验证了所提出的ICD方法在区分和生成幻觉基准测试中的有效性，展示了其在增强LVLMs性能方面的鲁棒性和多功能性。
实验部分包括使用区分幻觉基准（POPE和MME）以及生成幻觉基准（LLaVa-Bench）对ICD方法进行评估。实验设置包括数据集和评估指标的选择，以及LVLM基线的配置。实验结果表明ICD方法在减少对象级和属性级幻觉方面显著有效。
ICD方法在各种基准测试中都显示出减轻幻觉和提高LVLMs总体感知和识别性能的能力。与视觉对比解码（VCD）方法相比，ICD提供了一种更直接和高效的解决方案，以端到端的方式产生更好的结果。
本文提出了一种新的指令对比解码方法，通过对比标准和干扰指令派生的分布来有效分离幻觉概念。通过在各种基准测试和不同的LVLMs上的综合实验，证明了该方法在减轻幻觉和大幅提高LVLMs的一般感知和识别性能方面的能力。
这篇论文针对大型视觉-语言模型（LVLMs）在生成文本时出现的幻觉问题，提出了一种新颖的解决方案，即指令对比解码（ICD）。ICD方法通过引入干扰指令来增加多模态对齐的不确定性，并有效减少幻觉概念。论文通过在多个基准测试上的实验验证了ICD方法的有效性，并展示了其在提高LVLMs性能方面的潜力。
ICD方法的创新之处在于它不需要额外的训练或集成补充模块，而是在推理阶段直接对模型的输出进行调整。这种方法不仅减轻了幻觉，还提高了模型在一般感知和识别任务上的性能。此外，论文还探讨了将ICD与其他方法（如视觉对比解码VCD）结合使用的可能性，以进一步提高性能。
尽管ICD方法在实验中表现出色，但论文也指出了当前生成基准测试缺乏用于详细分析幻觉的成熟指标，这表明未来研究需要在开发更强大的自动度量方法上做出努力。总的来说，这篇论文为理解和解决LVLMs中的幻觉问题提供了有价值的见解，并为未来的研究和实践提供了一个有前景的新工具。
