计算机科学 > 计算机视觉与模式识别
[提交于 2025年8月3日
]
标题: 治愈还是毒药? 嵌入指令通过视觉影响视觉-语言模型中的幻觉
标题: Cure or Poison? Embedding Instructions Visually Alters Hallucination in Vision-Language Models
摘要: 视觉-语言模型(VLMs)常常出现幻觉,部分原因是对多模态信息对齐的挑战。我们提出了图像内提示,这是一种简单的方法,将文本指令直接嵌入到图像中。这消除了对单独文本输入的需求,并迫使模型通过视觉通道处理所有内容。我们在三个流行的开源VLM上评估了这种方法:Qwen2.5-VL、LLaVA-1.5和InstructBLIP。结果显示出明显的差异。图像内提示提高了Qwen2.5-VL的性能,POPE准确率提高了4.1个百分点(从80.2个百分点提高到84.3个百分点),并在MS-COCO上减少了幻觉率。相反,LLaVA-1.5和InstructBLIP的性能严重下降,准确率从大约84个百分点降至接近随机水平。通过详细分析,我们发现LLaVA和InstructBLIP中的基于CLIP的编码器对嵌入文本区域表现出过度的关注偏差,破坏了视觉理解。相比之下,Qwen的视觉编码器能够稳健地处理嵌入文本的图像。至关重要的是,图像内提示减少了Qwen的模态差距,通过单一模态统一信息处理来增强跨模态对齐。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.