影音先锋橹撸资源_人妻少妇孑伦无码视频_日本女人牲交视频免费看_国产香蕉视频上线免费_波多野结超清无码中文影片_婷婷色丁香五月激情综合在线观看_寡妇高潮流白浆A片_国产精品九色 Av_花房姑娘电影未删减版免费观看_国产亚洲综合一区三区在线播放

【導(dǎo)讀】當(dāng)前大型視覺(jué)語(yǔ)言模型（LVLMs）存在物體幻覺(jué)問(wèn)題，即會(huì)生成圖像中不存在的物體描述。西安交通大學(xué)研究團(tuán)隊(duì)提出了一種名為Nullu的方法，通過(guò)提取「幻覺(jué)子空間」（HalluSpace）并進(jìn)行零空間投影來(lái)編輯模型權(quán)重，從而有效消除幻覺(jué)，且不增加額外推理成本。

當(dāng)前大型視覺(jué)語(yǔ)言模型（LVLMs）普遍存在「物體幻覺(jué)」問(wèn)題：模型會(huì)憑空生成圖像中不存在的物體描述。

為了高效地實(shí)現(xiàn)幻覺(jué)消除，西安交通大學(xué)研究團(tuán)隊(duì)提出了一種利用「幻覺(jué)子空間」（HalluSpace）進(jìn)行零空間投影的高效模型權(quán)重編輯方法Nullu（NullspaceofHalluSpace）。

論文地址：https://arxiv.org/abs/2412.13817代碼地址：https://github.com/Ziwei-Zheng/Nullu

該方法的核心思路在于：從特征空間尋找到正常樣本表征與幻覺(jué)樣本特征的核心差異。

為了實(shí)現(xiàn)這一目標(biāo)，研究人員在提取「真實(shí)描述+圖像」與「幻覺(jué)描述+圖像」的模型內(nèi)部嵌入特征基礎(chǔ)上，通過(guò)對(duì)二者嵌入特征的差進(jìn)行主成分分析，定位導(dǎo)致幻覺(jué)的關(guān)鍵子空間，即HalluSpace

實(shí)驗(yàn)發(fā)現(xiàn)，HalluSpace內(nèi)包含了LVLM所基于的大語(yǔ)言模型（LLMs）過(guò)強(qiáng)的偏好先驗(yàn)知識(shí)，而這在以往研究中已被證明是產(chǎn)生幻覺(jué)的主要原因之一。

因此，通過(guò)正交化模型權(quán)重，將輸入樣本的特征投影至HalluSpace的零空間，可以有效去除這種偏好先驗(yàn)，從而抑制幻覺(jué)生成。

Nullu實(shí)現(xiàn)簡(jiǎn)單，無(wú)需訓(xùn)練，便于部署，且不引入額外推理開(kāi)銷(xiāo)，在多個(gè)幻覺(jué)消除任務(wù)上取得了出色的效果，成果已發(fā)表于CVPR2025

基于零空間投影的權(quán)重編輯

Nullu的權(quán)重編輯過(guò)程主要分為三個(gè)步驟：1）真實(shí)-幻覺(jué)數(shù)據(jù)對(duì)構(gòu)建；2）HalluSpace抽??；3）基于零空間投影的模型權(quán)重編輯。

數(shù)據(jù)對(duì)構(gòu)建

對(duì)于任意「視覺(jué)-文本」結(jié)構(gòu)的輸入數(shù)據(jù)，研究人員將構(gòu)建數(shù)據(jù)對(duì)來(lái)實(shí)現(xiàn)幻覺(jué)子空間的抽取。每個(gè)數(shù)據(jù)對(duì)具有相同的圖像和不同的文本信息：其中一個(gè)文本包含準(zhǔn)確描述圖像中物體的真實(shí)描述，作為負(fù)樣本；另一個(gè)包含幻覺(jué)描述，作為正樣本。

可以直接使用LURE[1]數(shù)據(jù)集作為數(shù)據(jù)對(duì)，其中每一對(duì)樣本包含圖像及其對(duì)應(yīng)的真實(shí)描述（GroundTruth，GT）以及通過(guò)關(guān)鍵詞替換得到的幻覺(jué)描述（HallucinationDescription，HD）。

LURE數(shù)據(jù)構(gòu)建的流程如下：圖像從MSCOCO2014數(shù)據(jù)集的訓(xùn)練集中隨機(jī)選取5000張圖像，并獲取與對(duì)應(yīng)的描述作為GT

在此基礎(chǔ)上，替換GT中最易引發(fā)幻覺(jué)的對(duì)象，如高頻對(duì)象等，作為幻覺(jué)描述HD。

HalluSpace抽取

HalluSpace的抽取將主要在LVLM的語(yǔ)言模型部分的MLP層特征空間進(jìn)行，整體流程如圖所示。

語(yǔ)言大模型部分由LLM構(gòu)成，各層包括一個(gè)自注意力層和一個(gè)MLP層。為抽取幻覺(jué)子空間HalluSpace，首先分別輸入具有真實(shí)響應(yīng)和幻覺(jué)響應(yīng)的正負(fù)樣本對(duì)，在LLM部分的每層分別計(jì)算并存儲(chǔ)嵌入特征，隨后在特征的長(zhǎng)度維度上，對(duì)每個(gè)樣本對(duì)應(yīng)的特征求平均值，將這些嵌入特征堆疊成正負(fù)樣本特征矩陣，并求出差異矩陣。

接著，通過(guò)SVD分解對(duì)差異矩陣進(jìn)行主成分分析。

最后，選取具有對(duì)應(yīng)于前??個(gè)奇異值的右奇異向量，即特征向量V的前??個(gè)列向量。

這些方向代表了真實(shí)特征和幻覺(jué)特征之間的主要差異，可以被視為模型特征空間中引發(fā)幻覺(jué)描述的方向，即HalluSpace

基于零空間投影的模型權(quán)重編輯

由于HalluSpace表示了真實(shí)數(shù)據(jù)和幻覺(jué)數(shù)據(jù)分布之間的主要差異方向，因此可以通過(guò)將模型特征投影到幻覺(jué)空間的零空間來(lái)去除特征中的潛在幻覺(jué)信息。

由于所有輸入共享HalluSpace，因此直接將模型權(quán)重向HalluSpace的零空間進(jìn)行投影，即可消除潛在幻覺(jué)風(fēng)險(xiǎn)。

經(jīng)過(guò)編輯的新模型參數(shù)，可以直接重新加載到原始模型中，因此在推理時(shí)，不會(huì)引入任何額外計(jì)算開(kāi)銷(xiāo)。

如下圖所示，當(dāng)輸入內(nèi)容的內(nèi)部特征存在處于HalluSpace的分量時(shí)，新的模型參數(shù)可以有效將該分量消除，從而減少幻覺(jué)的發(fā)生。

幻覺(jué)子空間的存在性與討論

研究人員進(jìn)一步利用實(shí)驗(yàn)，驗(yàn)證了HalluSpace的存在性；同時(shí)，論文通過(guò)解碼對(duì)HalluSpace內(nèi)部所包含的信息進(jìn)行了分析討論，揭示了Nullu與現(xiàn)有方法的相互關(guān)系；進(jìn)一步，文章對(duì)Nullu的有效性進(jìn)行了分析，并揭示了其與直接偏好優(yōu)化（DPO）的潛在關(guān)系。

幻覺(jué)子空間的存在性分析

假設(shè)HalluSpace存在，在測(cè)試集上（非LURE數(shù)據(jù)集），真實(shí)樣本和幻覺(jué)樣本計(jì)算得到的特征差異向量在HalluSpace應(yīng)具有較大分量。

為評(píng)估這一點(diǎn)，研究人員在CHAIR測(cè)試上，選擇了100個(gè)LLaVA-1.5發(fā)生幻覺(jué)的描述性問(wèn)題作為測(cè)試對(duì)象，計(jì)算每個(gè)樣本幻覺(jué)發(fā)生和沒(méi)有幻覺(jué)時(shí)嵌入特征的差異向量進(jìn)行測(cè)試。

此外，實(shí)驗(yàn)中還隨機(jī)選取了100個(gè)隨機(jī)向量作為比較基線。

為了避免范數(shù)的影響，研究人員進(jìn)一步對(duì)所有的向量都進(jìn)行了歸一化處理。

圖中（a）展示了向量在歸一化球面上的分布示意圖。

對(duì)于隨機(jī)向量，其將隨意的分布在單位球內(nèi)部，因此在幻覺(jué)子空間的投影分量將會(huì)較低；而所計(jì)算的差向量如果成功捕獲了幻覺(jué)信息，則在幻覺(jué)子空間的投影分量將會(huì)很高。

因此研究人員進(jìn)行了驗(yàn)證性的計(jì)算，結(jié)果顯示，所計(jì)算差向量在幻覺(jué)子空間的投影分量比隨機(jī)對(duì)照組高出了10倍以上。

這一證據(jù)表明，幻覺(jué)子空間捕捉到了LVLM特征中和幻覺(jué)有關(guān)的特征方向，從而證明了幻覺(jué)子空間的存在性。

其他討論與分析

論文中通過(guò)對(duì)HalluSpace內(nèi)部所包含的信息進(jìn)行解碼，發(fā)現(xiàn)其內(nèi)部包含了眾多語(yǔ)言模型的偏好先驗(yàn)。

因此，將模型參數(shù)向HalluSpace的正交零空間投影實(shí)現(xiàn)了去除模型內(nèi)部語(yǔ)言偏好的功能，從而有效解決了物體幻覺(jué)問(wèn)題。這一思路與現(xiàn)有的方法，如VCD[2]具有類(lèi)似性。

另外，文章進(jìn)一步揭示了Nullu與直接偏好優(yōu)化（DPO）的潛在關(guān)系，進(jìn)一步說(shuō)明了方法的有效性，這里不再贅述。

實(shí)驗(yàn)與分析

研究人員將所提出方法部署于LLaVA-1.5、MiniGPT-4和mPLUG-Owl2，并在多個(gè)數(shù)據(jù)集對(duì)Nullu的有效性進(jìn)行了驗(yàn)證：包括在CHAIR和POPE的幻覺(jué)性能驗(yàn)證，以及在MME和LLaVA-Bench的通用性能測(cè)試。

通過(guò)下圖可以看出，由于Nullu可以通過(guò)模型編輯直接修改模型參數(shù)，因此在推理過(guò)程中，不會(huì)引入任何額外的推理開(kāi)銷(xiāo)，實(shí)現(xiàn)了零開(kāi)銷(xiāo)抑制物體幻覺(jué)。

相比現(xiàn)有其他解碼增強(qiáng)方法，Nullu能以更快的速度，實(shí)現(xiàn)更好的物體幻覺(jué)解決性能。且這一性能提升并非通過(guò)減少模型輸出長(zhǎng)度來(lái)實(shí)現(xiàn)的。

為直觀展示物體幻覺(jué)的緩解效果，研究人員進(jìn)一步展示了Nullu在LLaVA-Bench開(kāi)放式生成任務(wù)數(shù)據(jù)集上的測(cè)試案例。

如下圖中所示，對(duì)于同一問(wèn)題，使用經(jīng)過(guò)Nullu進(jìn)行權(quán)重編輯的模型成功消除了原始模型輸出中存在的物體幻覺(jué)。

研究人員還進(jìn)行了在線測(cè)試來(lái)對(duì)Nullu的有效性進(jìn)行檢測(cè)。在原始模型輸出物體幻覺(jué)詞「person」時(shí)，改用經(jīng)過(guò)編輯的權(quán)重進(jìn)行推理后，輸出變更為「mountain」，進(jìn)一步證明了所提出方法的有效性。

結(jié)語(yǔ)

研究人員提出了一種基于特征編輯的物體幻覺(jué)消除方法Nullu。

Nullu針對(duì)模型各層的多層感知機(jī)部分進(jìn)行幻覺(jué)空間識(shí)別，通過(guò)提取真實(shí)特征與幻覺(jué)特征差異的低秩子空間，并進(jìn)一步對(duì)LVLM的權(quán)重進(jìn)行正交化投影，從而緩解物體幻覺(jué)問(wèn)題。

實(shí)驗(yàn)結(jié)果表明，Nullu能夠在不增加額外推理成本的情況下顯著緩解物體幻覺(jué)，這使得該方法相較于當(dāng)前的解碼階段方法和后處理方法，在推理速度上更具優(yōu)勢(shì)。

同時(shí)，經(jīng)該方法編輯后的模型在通用大型視覺(jué)語(yǔ)言模型基準(zhǔn)測(cè)試中仍能保持良好性能，證明其在提升真實(shí)性的同時(shí)，并未損害模型的整體能力。

理論分析表明，該方法與直接偏好優(yōu)化在權(quán)重更新方式上存在內(nèi)在一致性。通過(guò)與先前研究的對(duì)比分析進(jìn)一步發(fā)現(xiàn)，該方法通過(guò)調(diào)整模型參數(shù)，有效減少了大語(yǔ)言模型中的語(yǔ)言偏差，而語(yǔ)言偏差已被證實(shí)是導(dǎo)致對(duì)象幻覺(jué)的關(guān)鍵因素之一。

作者介紹

論文作者來(lái)自西安交通大學(xué)人工智能安全實(shí)驗(yàn)室（AI-SEC）團(tuán)隊(duì)，其中第一作者楊樂(lè)為西安交通大學(xué)特聘研究員，共同第一作者為西安交通大學(xué)博士生鄭子維，通訊作者為西安交通大學(xué)沈超教授。

參考資料：

[1]Zhou,Yiyang,etal."Analyzingandmitigatingobjecthallucinationinlargevision-languagemodels."InICLR2024.

[2]Leng,Sicong,etal."Mitigatingobjecthallucinationsinlargevision-languagemodelsthroughvisualcontrastivedecoding."InCVPR2024.