计算机科学 > 计算机视觉与模式识别
[提交于 2026年1月8日
]
标题: 视觉-语言内省:通过可解释的双因果引导减轻多模态大语言模型的过度自信幻觉
标题: Vision-Language Introspection: Mitigating Overconfident Hallucinations in MLLMs via Interpretable Bi-Causal Steering
摘要: 物体幻觉严重损害了多模态大语言模型的可靠性,通常源于认知内省的根本性失败,其中模型盲目信任语言先验而非具体的视觉证据。 现有的缓解方法仍然有限:对比解码方法仅表面运作而未纠正内部语义错位,而当前的潜在控制方法依赖于缺乏实例特定精度的静态向量。 我们引入了视觉-语言内省(VLI),一种无需训练的推理框架,模拟元认知自我修正过程。 VLI首先进行属性内省,通过概率冲突检测诊断幻觉风险并定位因果视觉锚点。 然后采用可解释的双向因果控制,主动调节推理过程,动态地将视觉证据与背景噪声分离,同时通过自适应校准中和盲目的信心。 VLI在先进模型上取得了最先进的性能,在MMHal-Bench上将物体幻觉率降低了12.67%,在POPE上提高了5.8%的准确性。
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.