基于 LVLM 的图像描述中，更多的细节总是引入更多的幻觉吗？
原文中文，约400字，阅读约需1分钟。发表于：。我们提出了一种新的解码策略，名为差异化束搜索解码（DBD），以及一组可靠的评估指标：CLIP-Precision、CLIP-Recall 和 CLIP-F1，用于图像描述。我们的方法在 Visual Genome 数据集上进行了广泛实验证明了其有效性，能够生成细节丰富的描述，并保持低的幻觉水平。
本文介绍了Instruction Contrastive Decoding（ICD）方法，用于减少大规模视觉-语言模型（LVLMs）中的幻觉。ICD通过对比标准和干扰指令的分布，有效减去幻觉概念，提升LVLM的感知和识别能力。实验证明，ICD显著减轻了物体级和属性级幻觉。
