通过CLIP引导解码减轻大型视觉-语言模型中的幻觉问题

news2024/11/25 4:59:23

人工智能咨询培训老师叶梓转载标明出处

大型视觉-语言模型（LVLMs）因其在视觉推理方面的能力而备受瞩目，被视为实现自主操作智能体的重要里程碑。但它在生成文本时容易出现对象幻觉问题，即描述中包含不存在的对象，这严重限制了它们的可靠性和实用性。

为了解决这一问题，新加坡国立大学计算学院的Ailin Deng、Zhirui Chen和Bryan Hooi提出了一种新颖的方法——CLIP引导解码（CGD），旨在在不经过额外训练的情况下，通过CLIP模型在解码时引导模型，增强生成文本与图像的视觉基础，从而有效减轻对象幻觉问题。Figure 1 为方法的原理示意。在解码过程中，与图像具有更高CLIP相似度的候选句子不太可能是幻觉（hallucinated），因此会被选中。在这个示例中，幻觉文本被标记为红色，以便于识别和区分。图中包含几个候选句子，这些句子都是对同一张图像的描述。每个句子旁边可能都有一个CLIP分数，表示该句子与图像内容的匹配程度。分数较高的句子意味着与图像内容更为一致，更有可能是准确的描述。在这种情况下，解码过程会选择这些高分句子，而不是那些分数较低、可能与图像不相关或包含错误信息的句子。

CLIP引导解码

CLIP引导解码（CGD）算法是为了减少在生成过程中出现的幻觉问题。CGD算法利用CLIP模型作为视觉-语言指导，以偏好视觉上有根据的内容。这个算法包含两个主要部分：可靠性评分和引导句子生成。

可靠性评分

在解码的每一步t，对于包含连续句子（s1, ..., st）的候选响应c，定义了一个可靠性得分F(c)。这个得分由两部分组成：一部分是LVLM模型的归一化可能性fθ(c)，另一部分是CLIP引导的加权和。具体公式如下：其中，α是一个超参数，用于权衡LVLM模型的归一化可能性fθ(c)和CLIP引导的总和。当α=0时，CLIP引导没有影响，得分函数只考虑模型的可能性得分；当α=1时，表示更倾向于高CLIP得分。

引导句子生成

在生成响应时，研究者希望保持LVLM的生成质量和流畅性，同时减少幻觉。为此，使用可靠性得分函数来优先选择与图像视觉基础良好的响应。在每一步t，维护一个候选集Ct，其中包含最多N个候选者，每个候选者ctj代表到目前为止生成的前t个序列。

生成候选集Ct+1的过程如下：

对于Ct中的每个ctj，独立地根据LVLM模型参数θ参数化的条件下分布，采样下一个句子M次，得到新的候选集C′t+1。
为了避免候选集的基数呈指数增长，基于句子级别的幻觉评分，从C′t+1中保留前N个候选项，即：其中argtopN返回下标集合中函数F(c)值最高的前N个成员。

这个过程会一直重复，直到所有候选者都达到文件结束标志（EOF），例如达到最大输出长度。最后，选择Ct中得分最高的候选者c*作为输出。

研究者在算法1中总结了CLIP引导解码的整个过程。这个算法在概念上类似于束搜索（beam search），但是在句子级别上进行，允许在完整的句子上应用CLIP评分，而不是在标记级别上的不完整单词或短语。

通过这种方式，CGD算法能够有效地在生成文本时减少幻觉的发生，同时保持文本的质量和流畅性。这种方法的优势在于它不需要额外的训练，可以作为一个即插即用的工具来改善现有LVLMs的生成性能。

实验

实验主要关注两个任务：幻觉评估和开放式视觉问答（VQA）。幻觉评估是研究的重点，而开放式VQA任务则用于更广泛地了解方法的效果。幻觉评估使用了COCO数据集和NoCaps数据集，包括近领域和领域外的数据。实验中随机选择了每个数据集的500个样本，并使用提示“Describe this image in detail”来引导LVLMs生成描述。

研究者们采用了自动化幻觉评估的CHAIR指标，包括CHAIRi（CI）和CHAIRs（CS），来量化生成描述中的幻觉对象比例。此外，还包括了评估生成质量的指标，如平均响应单词数（Avg. Len）、平均覆盖率（Avg. Coverage），以及BLEU、METEOR、ROUGE-L、CIDEr、SPICE和CLIPScore等广泛认可的指标。

CGD方法与六种解码方法进行了比较，包括贪婪解码、Nucleus采样、TopK采样，以及DoLa、VCD和OPERA等最近提出的减少幻觉的解码方法。CGD使用了最新的图像-文本对比模型SigLIP作为CLIP引导模型，并设置了超参数N = 3, M = 3和α = 0.99。实验在GeForce RTX 3090上运行，并报告了三次运行的平均性能。

在COCO和NoCaps数据集上的幻觉评估结果显示（表1），与其他基线方法相比，CGD方法在CHAIR指标上取得了更低的分数，表明其在减少幻觉对象方面更为有效，同时保持了与基线方法相似的响应长度。这表明CGD方法能够在不牺牲生成质量的前提下减少幻觉。

为了评估LVLMs的响应质量，研究者们使用了CIDEr和SPICE等指标来评估COCO数据集上生成的描述。结果显示，CGD方法在这些指标上与其他方法表现相当，突显了CGD方法在减少幻觉的同时保持文本生成效用的能力。

除了评估幻觉，研究者们还在MM-Vet开放式VQA基准上测试了CGD算法。结果显示，CGD方法在大多数任务上超过了贪婪解码基线，例如在识别和OCR任务上。然而，在空间意识任务上表现不佳，这可能归因于CLIP模型在关系理解上的局限性。研究者们指出，通过数据筛选或特征融合技术来增强视觉-语言模型，可能会进一步提升CGD方法的性能。

在MM-Vet基准测试上使用LLaVA-1.5模型时，CGD方法与标准贪婪解码方法的比较结果

为了进一步理解句子可能性和CLIPScore在CGD方法中的作用，研究者们进行了消融研究。通过控制α参数，研究者们分析了在没有句子可能性或CLIP引导的情况下的性能。结果表明，没有CLIP引导的性能接近贪婪解码，而句子可能性在减少幻觉方面的有效性相对有限，这证实了CLIP引导在减轻幻觉中的主导贡献。

研究者们还研究了CGD方法对最大候选数N和采样次数M的敏感性。实验结果表明，即使在减少最大候选数和采样次数的情况下，CGD方法仍然优于基线。性能随着N和M的增大而提高，这表明拥有更多的选择和更大的候选预算有助于模型避免幻觉。在效率方面，CGD方法与VCD相当，比OPERA更有效，并且提供了更好的幻觉减轻效果。随着N和M的增大，推理成本上升，表明效率和效果之间的权衡。

由于大多数LVLMs采用了OpenAI的CLIP模型作为视觉编码器，研究者们探讨了使用相同的CLIP模型作为CGD方法中的引导模型是否能够增强幻觉减轻。实验结果表明，即使使用LLaVA-1.5中的视觉编码器，CGD方法仍然超过了基线方法。这表明现有的视觉-语言对齐的微调过程可能会在一定程度上损害原始视觉能力，而CGD方法通过直接检查LVLMs的输出来重新校准视觉和语言之间的对齐。