從像素到標記：重新審視大型視覺語言模型中的物體幻覺問題

核心概念

大型視覺語言模型 (LVLMs) 中的物體幻覺主要源於跨模態對齊不足，而非視覺編碼能力缺陷，可透過插入可訓練的虛擬標記來改善。

要約

論文概述
本論文旨在探討大型視覺語言模型 (LVLMs) 中的物體幻覺問題，並提出一個名為 PATCH 的新型微調策略來減輕這個問題。作者首先探討了物體幻覺的潛在原因，並透過實驗證明跨模態對齊不足才是主要原因，而非視覺編碼能力缺陷。基於此發現，作者提出了 PATCH，透過在圖像特徵和增強提示文本之間插入可訓練的虛擬標記，以更有效地利用視覺檢測信息，從而減輕物體幻覺。
研究方法
物體幻覺來源分析
作者假設了兩個造成物體幻覺的潛在來源：1) 視覺特徵提取不足，2) 跨模態整合時特徵解耦不足。為驗證此假設，作者使用 MiniGPT-v2 模型在 POPE 數據集上進行實驗。實驗結果顯示，當物體檢測結果正確但模型推理錯誤時，更容易發生物體幻覺，證明跨模態對齊不足才是主要問題。
PATCH 方法
為了解決跨模態對齊不足的問題，作者提出了 PATCH 方法。PATCH 在圖像特徵和檢測信息增強提示文本之間插入一組可訓練的虛擬標記。這些虛擬標記的嵌入在訓練過程中進行優化，幫助模型過濾和優化檢測信息的利用，從而改善視覺和文本表徵在語義空間中的對齊。
實驗結果
作者在兩個公開數據集 POPE 和 PhD 上進行實驗，比較 PATCH 與其他先進方法的性能。實驗結果顯示，PATCH 在物體幻覺檢測任務上顯著優於其他方法，證明了其有效性和泛化能力。
主要貢獻

從架構角度探討了 LVLMs 中物體幻覺的根本原因，揭示了跨模態整合過程中文本和視覺特徵解耦不足是造成幻覺的主要原因。
提出了一種名為 PATCH 的新型微調策略，幫助 LVLMs 更有效地利用視覺檢測信息來解決幻覺問題。
在兩個多模態幻覺評估數據集上驗證了 PATCH 在三個 LVLMs 上的有效性，並進一步探討了各種幻覺類型，證明了其在減輕幻覺方面的巨大潛力，特別是在處理問題中強烈的誤導性困難方面。

統計

在 POPE 數據集上，PATCH 方法在 LLaVA-v1.5、MiniGPT-4 和 MiniGPT-v2 上的準確率分別提升了 5.03%、30.46% 和 6.70%。
使用 20 個虛擬標記時，PATCH 方法在 POPE 數據集上達到最佳準確率 90.03%，相較於基準配置提升了 6.70%。

抽出されたキーインサイト

From Pixels to Tokens: Revisiting Object Hallucinations in Large Vision-Language Models

by Yuying Shang... 場所 arxiv.org 10-10-2024

https://arxiv.org/pdf/2410.06795.pdf

深掘り質問

如何進一步提升 PATCH 方法在處理複雜場景和更具挑戰性的多模態幻覺問題上的性能？

PATCH 方法在減少 LVLMs 物體幻覺方面展現了潛力，但仍有提升空間，特別是在處理複雜場景和更具挑戰性的多模態幻覺問題上。以下是一些改進方向：

增強物件偵測資訊的豐富度和準確性： PATCH 方法依賴於物件偵測結果的品質。採用更先進的物件偵測模型，例如 SEEM (Segment Everything Everywhere All at Once)，可以提供更精確、更豐富的物件資訊，包括物件類別、邊界框、分割遮罩、場景關係等，進一步提升 PATCH 的效果。

探索更有效的虛擬標記設計和訓練策略： 目前 PATCH 採用固定數量的虛擬標記，並以簡單的初始化和訓練方式進行優化。可以探索更靈活的虛擬標記設計，例如根據輸入圖像和問題動態調整標記數量，或採用更複雜的初始化方法，例如利用預訓練的語言模型生成更具語義資訊的標記。此外，可以嘗試更先進的訓練策略，例如對抗訓練或強化學習，以提升虛擬標記的表徵能力和對齊效果。

結合其他幻覺解決方案： PATCH 可以與其他幻覺解決方案結合使用，例如基於知識庫的推理、多模態一致性約束、反事實推理等，以更全面地解決多模態幻覺問題。例如，可以將外部知識庫整合到 PATCH 中，利用知識圖譜或常識推理來驗證 LVLMs 生成的答案是否合理。

關注更複雜的幻覺類型： 除了物件幻覺，LVLMs 還存在其他類型的幻覺，例如屬性幻覺、關係幻覺、事件幻覺等。PATCH 可以擴展到處理這些更複雜的幻覺類型，例如通過引入更豐富的語義資訊、設計更精細的虛擬標記結構、或結合多任務學習框架來實現。

是否存在其他類型的虛擬標記或提示工程策略可以更有效地改善 LVLMs 的跨模態對齊？

是的，除了 PATCH 使用的虛擬標記方法，還有其他虛擬標記或提示工程策略可以改善 LVLMs 的跨模態對齊：

可學習的提示嵌入： 與 PATCH 類似，可以將可學習的提示嵌入添加到輸入序列中，這些嵌入可以捕捉特定任務或數據集的特定知識，並引導 LVLMs 生成更準確的答案。與 PATCH 不同的是，這些嵌入可以針對不同的任務或數據集進行微調，從而提高模型的泛化能力。

基於模板的提示工程： 可以設計特定的文本模板，將圖像和文本資訊整合到一個統一的輸入序列中，例如 "圖像中有一個[物件]，請問..." 或 "根據圖像和描述，判斷以下陳述是否正確：[陳述]"。這些模板可以幫助 LVLMs 更好地理解圖像和文本之間的關係，並生成更準確的答案。

多模態對抗訓練： 可以使用對抗訓練來生成更難的樣本，迫使 LVLMs 學習更魯棒的跨模態表徵。例如，可以訓練一個生成器來生成與真實圖像不一致的文本描述，然後訓練 LVLMs 來區分真實描述和生成描述。

跨模態注意力機制： 可以設計更有效的跨模態注意力機制，例如圖神經網路或多頭注意力，來捕捉圖像和文本之間的複雜交互。這些機制可以幫助 LVLMs 更精確地對齊圖像和文本的語義資訊，並生成更準確的答案。

LVLMs 中的物體幻覺問題是否可以視為一種更廣泛的認知偏差的體現，例如人類的確認偏差？

LVLMs 中的物體幻覺問題可以被視為一種認知偏差的體現，它與人類的確認偏差有一定的相似之處。
確認偏差是指人們傾向於尋找、解釋、偏好和回憶那些支持自己已有信念的信息，而忽略或低估與自己信念相衝突的信息的傾向。在 LVLMs 中，物體幻覺可以被理解為模型過度依賴其訓練數據中的模式和關聯性，而忽略了真實世界中的複雜性和多樣性，導致模型生成了與圖像內容不符的物件。
LVLMs 的物體幻覺與人類確認偏差的相似之處：

過度依賴先驗知識： 人類在做判斷時會依賴先前的經驗和知識，而 LVLMs 則依賴於訓練數據中的模式。當面對新的、不熟悉的場景時，兩者都可能因為過度依賴先驗知識而產生偏差。
缺乏對不確定性的處理： 人類和 LVLMs 在面對不確定資訊時都可能做出錯誤的判斷。人類可能會選擇性地忽視不確定性，而 LVLMs 則可能因為缺乏對不確定性的建模而產生幻覺。
區別：

產生機制不同： 人類的確認偏差源於複雜的心理和社會因素，而 LVLMs 的物體幻覺則源於模型訓練數據的偏差和模型架構的限制。
表現形式不同： 人類的確認偏差表現為對資訊的選擇性接收和解釋，而 LVLMs 的物體幻覺則表現為生成與圖像內容不符的文字描述。
總而言之，LVLMs 中的物體幻覺問題可以視為一種認知偏差的體現，它與人類的確認偏差有一定的相似之處，但也存在著本質的區別。了解這些相似和區別有助於我們更好地理解 LVLMs 的局限性，並開發更有效的策略來解決物體幻覺問題。