解决多模态大模型幻觉问题的秘密武器：“啄木鸟”免重训方法！哪里出问题啄哪里！

本文主要是介绍解决多模态大模型幻觉问题的秘密武器：“啄木鸟”免重训方法！哪里出问题啄哪里！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

夕小瑶科技说原创
作者 | 付奶茶、王二狗

最近多模态大模型的研究取得了巨大的进展。然而，这些模型在生成时存在着文本与图像不一致的问题，这个问题就是一直困扰研究者们的“幻觉难题”。

▲给定一幅图像，MLLM会输出的回应，包括了物体层面和属性层面的幻觉。

为了缓解这个问题，中科大开发了一种名为Woodpecker（啄木鸟）的新方法。这个方法可以从生成的文本中挑选出幻觉并进行纠正。具体来说，直接从模型给出的错误文本下手，“倒推”出可能出现“幻觉”之处，然后与图片确定事实，最终直接完成修正。

一句话总结就是：哪里出现问题就啄哪里～

▲给定MLLM的一个回应，Woodpecker会校正被幻觉的部分并整合基础信息以便于验证。

Woodpecker 包括五个阶段：

关键概念提取；
问题制定；
视觉知识验证；
视觉声明生成；
幻觉校正。

啄木鸟框架具备轻松适用于各种多模态大型模型的能力，并且通过访问五个不同阶段的中间输出来提供解释。通过实验，可以清晰地观察到，在多个不同的模型（LLaV，mPLUG-Owl，MiniGPT-4，Otter）的评估中，准确率都表现出了不同程度的增长。

特别一提的是，MiniGPT-4 和 mPLUG-Owl 模型分别实现了惊人的30.66%和24.33%的提升！

接下来，让我们一同深入探讨它们取得这一成绩的秘诀～

论文标题：
《Woodpecker: Hallucination Correction for Multimodal Large Language Models》

论文链接：
https://arxiv.org/abs/2310.16045

代码地址：
https://github.com/BradyFU/Woodpecker

算法框架

1.关键概念提取

首先从生成的句子中提取关键概念对象，这些对象最有可能导致视觉幻觉。例如，对于句子“这个男人戴着一顶黑色帽子。”，提取“男人”和“帽子”这两个对象，并将它们作为后续诊断的中心。作者提出可以用具有强大的概括能力和丰富的世界知识的LLMs来完成这个任务。

2.问题形式化

接下来，围绕这些关键概念提出一系列问题，以进行幻觉诊断。这些问题涵盖了对象级别以及属性级别的幻觉。例如，我们可能会探询图像中是否存在特定对象，如果存在，有多少个这种对象，这些对象正在进行什么活动，以及这些对象之间是否存在什么关系等。

3.视觉知识验证

在这个阶段，作者使用开放式对象检测器和预训练的视觉问答（VQA）模型来解决上述问题。对象级别的问题可以通过感知图片来直接验证，而属性级别的问题则更加多样化并且依赖于上下文。

4.视觉声明生成

基于前两步中获得的问题以及对应的视觉信息，合成结构化的“视觉断言”。然后将其组织成一个可供后续步骤参考的可视化知识库。这个知识库包括目标级别的声明和属性级别的声明，前者主要用于减轻目标级别的幻觉，而后者包含特定属性信息，用于减轻属性级别的幻觉。

5.幻觉纠正阶段

作者将LLM用作一个校正工具，用于修改生成的回答中的幻觉。将知识库与原始回答合并，然后指示LLM对回答进行校正并输出最终的答案。

实验

在论文中，作者主要评估了多模态大模型的幻觉方面的应用。作者使用了POPE、MME和LLaVA-QA90三种不同的数据集，并选择了mPLUG-Owl、LLaVA、MiniGPT-4和Otter四种主流的MLLMs作为基线模型。

POPE

该数据集专门用于评估多模态大模型的幻觉。它包含了随机、热门和对抗性采样的设置，这些设置主要在负样本构造的方式上有所不同。作者采样了50张图像，并为每张图像构建了6个问题，将物体注释转化为一系列的“是或否”问题，并侧重于评估物体级别的幻觉。

▲表格中w/Ours表示由“啄木鸟”校正的MLLM响应，x为未采用，对勾为采用

我们可以观察到，Woodpecker方法能够显著提升这几个模型的性能，在准确性方面为MiniGPT-4和mPLUG-Owl分别带来了30.66%和24.33%的相对提升。在更具挑战性的常见和敌对设置下，MLLMs的性能都出现不同程度的下降，尤其是在相对强的基线模型（如LLaVA）中，性能下降更为明显。与随机设置相比，LLaVA在常见和敌对设置中的准确性分别下降了9.33%和12.67%。这一趋势表明MLLMs可能会错误地适应训练语料库中的某些数据特征，例如在常见设置中的下降可能源自于长尾数据分布。与此相反，Woodpecker方法因为配备了强大的专家视觉模型，表现出极高的稳定性，显著改善了各种基线模型的各项指标，所有模型的准确性都超过了80%。特别值得一提的是，Woodpecker方法将mPLUG-Owl在敌对设置中的准确性从56.33%大幅提升至81%。

MME

MME是一个综合性基准，旨在评估MLLMs在各个方面的性能。它包括十个感知能力子任务和四个认知能力子任务。作者重新利用了数据集，选择存在性和计数子集来衡量对象级幻觉，位置和颜色子集用于衡量属性级幻觉。

MME的实验更加全面，因为它不仅涵盖了物体级别的幻觉评估，还包括属性级别的幻觉评估。我们可以看到，在物体级别的评估中，LLaVA和Otter在存在方面表现出色，但是在更难的计数查询方面相对落后。在这种情况下，啄木鸟校正方法显得更加有效，为LLaVA带来了+65的分数增益，为MiniGPT-4带来了+101.66的分数增益。

相比之下，位置方面的改进相对较小，作者推断这可能是由两个因素引起的：（1）VQA模型BLIP-2在位置推理方面的相对较弱能力；
（2）LLM可能无法充分理解给定的边界框以自行推导出位置关系。

LLaVA-QA90

这个数据集也被用于评估MLLMs，作者抽样了10个以不同形式改写的描述性查询，来指导MLLM描述一张图片。

实验过程由三个预训练模型组成，需要进行修正的MLLM，以及LLM、GPT-3.5-turbo来完成关键概念提取、问题形成和幻觉修正的子任务。对于开放式目标检测，使用Grounding DINO来提取默认检测阈值下的目标计数信息。此外，作者利用BLIP-2-FlanT5XXL作为VQA模型，以回答与输入图像相关的属性问题。

不同于上述的两个实验，它只涉及“是或否”类型的问题，LLaVA-QA90的实验更为开放。描述型查询要求MLLMs完全将输入图像翻译成语言，而不仅仅是关于对象的存在或属性。采用了一个纯文本的GPT-4，图像内容以简短的说明和一些对象的边界框的形式馈送给语言模型。