視覺幻覺是常見于多模態(tài)大語言模型（Multimodal Large Language Models, MLLMs）的一個典型問題。

簡單來說就是：模型輸出的描述與圖片內(nèi)容不相符。

下圖中體現(xiàn)了兩種幻覺，紅色部分錯誤地描述了狗的顏色（屬性幻覺），藍色部分描述了圖中實際不存在的事物（目標幻覺）。

幻覺對模型的可靠性產(chǎn)生了顯著的負面影響，因此引起了許多研究者的重視。

以往的方法主要集中在MLLM本身，通過在訓(xùn)練數(shù)據(jù)以及架構(gòu)上進行改進，以重新微調(diào)的方式訓(xùn)練一個新的MLLM。

然而，這種方式會造成較大的數(shù)據(jù)構(gòu)建和訓(xùn)練開銷，且較難推廣到各種已有的MLLMs。

近日，來自中科大等機構(gòu)的研究者們提出了一種免訓(xùn)練的即插即用的通用架構(gòu)「啄木鳥（Woodpecker）」，通過修正的方式解決MLLM輸出幻覺的問題。

論文地址: https://arxiv.org/pdf/2310.16045.pdf

項目地址: https://github.com/BradyFU/Woodpecker

效果展示

具體來說，Woodpecker可以修正各種場景下模型輸出的幻覺，并輸出檢測框作為引證，表明相應(yīng)的目標確實存在。

例如，面對描述任務(wù)，Woodpecker可以修正其中帶有幻覺的部分：

對于MLLM難以檢測到的小對象，Woodpecker也可以精準修正:

面對MLLM難以解決的復(fù)雜的計數(shù)場景，Woodpecker同樣可以進行解決:

對于目標屬性類的幻覺問題，Woopecker處理地也很好：

此外，Woodpecker還提供了Demo供讀者測試使用。

如下圖所示，上傳圖片并輸入請求，就可以得到修正前以及修正后的模型答復(fù)，以及供參考驗證的新圖片。

方法

Woodpecker的架構(gòu)如下，它包括五個主要步驟: 關(guān)鍵概念提取、問題構(gòu)造、視覺知識檢驗、視覺斷言生成以及幻覺修正。

- 關(guān)鍵概念提取

關(guān)鍵概念指的是MLLM的輸出中最可能存在幻覺的存在性目標，例如上圖描述中的「自行車；垃圾桶；人」。

我們可以Prompt大語言模型來提取出這些關(guān)鍵概念，這些關(guān)鍵概念是后續(xù)步驟進行的基礎(chǔ)。

- 問題構(gòu)造

圍繞著前一步提取出的關(guān)鍵概念，Prompt大語言模型來提出一些有助于檢驗圖片描述真?zhèn)蔚膯栴}，如「圖中有幾輛自行車？」、「垃圾桶邊上的是什么？」等等。

- 視覺知識檢驗

使用視覺基礎(chǔ)模型對提出的問題進行檢驗，獲得與圖片以及描述文本相關(guān)的信息。

例如，我們可以利用GroundingDINO來進行目標檢測，確定關(guān)鍵目標是否存在以及關(guān)鍵目標的數(shù)量。因為像GroundingDINO這類視覺基礎(chǔ)模型對圖片的感知能力比MLLM本身的感知能力更強。

對于目標顏色等這類屬性問題，則可以利用BLIP-2來進行回答。BLIP-2這類傳統(tǒng)VQA模型輸出答案的長度有限，幻覺問題也更少。

- 視覺斷言生成

基于前兩步中獲得的問題以及對應(yīng)的視覺信息，合成結(jié)構(gòu)化的「視覺斷言」。這些視覺斷言可以看做與原有MLLM的回答以及輸入圖片相關(guān)的視覺知識庫。

- 幻覺修正

基于前面得到的，使用大語言模型對MLLM的文本輸出進行逐一修正，并提供目標對應(yīng)的檢測框信息作為視覺檢驗的參照。

實驗結(jié)果

實驗選取了幾個典型的MLLM作為基線，包括: LLaVA，mPLUG-Owl，Otter，MiniGPT-4。

論文中首先測試了Woodpecker在面對目標幻覺時的修正能力，在POPE驗證集的實驗結(jié)果如下表所示：

結(jié)果表明在不同的MLLM上應(yīng)用Woodpecker修正后，均有不同程度的提升。

在隨機設(shè)定下，Woodpecker給MiniGPT-4和mPLUG-Owl在準確率指標上分別帶來了30.66%和24.33%的提升。

此外，研究者還應(yīng)用更全面的驗證集MME，進一步測試Woodpecker在面對屬性幻覺時的修正能力，結(jié)果如下表所示:

從表中可見Woodpecker不僅在應(yīng)對目標幻覺時有效，在修正顏色等屬性幻覺時也具有出色的表現(xiàn)。LLaVA的顏色得分從78.33分大幅提升到155分！

經(jīng)過Woodpecker修正后，四個基線模型在四個測試子集上的總分均超過500分，在總體感知能力上獲得了顯著提升。

為了更直接地衡量修正表現(xiàn)，更直接的方式是使用開放評測。

不同于以往將圖片轉(zhuǎn)譯后送入純文本GPT-4的做法，文章利用OpenAI最近開放的視覺接口，提出使用GPT-4(Vision)對修正前后的圖片描述直接對下列兩個維度進行打分：

- 準確度：模型的答復(fù)相對于圖片內(nèi)容是否準確

- 詳細程度：模型答復(fù)的細節(jié)豐富度

在該實驗條件下，實驗結(jié)果如下表所示:

結(jié)果表明經(jīng)過Woodpecker修正后圖片描述的準確性有一定的提升，這說明該框架可以有效修正描述中幻視的部分。

另一方面，Woodpecker修正后引入的定位信息豐富了文本描述，提供了進一步的位置信息，從而提升了細節(jié)豐富度。

GPT-4V輔助的評測樣例如下圖所示：

感興趣的讀者，可以讀論文進一步了解更多內(nèi)容。