本研究探讨了大型视觉语言模型（LVLMs）在生成与视觉内容相关的响应时的幻觉问题。提出了一种通过改变视觉输入信息进行视觉对比解码的方法，并结合图像降采样和编辑，验证了其在不同基准上的有效性。

本文探讨了大规模视觉语言模型（LVLMs）中的物体幻觉问题，并提出了视觉对比解码（VCD）、指令对比解码（ICD）和自我反思解码（SID）等新方法。这些方法通过增强视觉与文本之间的联系，提高了生成内容的准确性和质量，减少了幻觉现象，推动了多模态模型的实际应用。

本论文研究了大型视觉语言模型中的物体幻觉问题，提出了视觉对比解码和指令对比解码等改进方法，有效减轻幻觉现象并提升模型性能。同时，分析了幻觉的根本原因，并提出了新的评估基准，推动未来研究方向。

大视觉语言模型（LVLMs）在生成与视觉输入相关内容时常出现物体幻觉问题。本文提出了一种名为视觉对比解码（VCD）的方法，通过对比原始和失真的视觉输入，显著降低幻觉影响，确保生成内容的准确性。实验表明，VCD无需额外训练，能有效改善LVLM的性能和可靠性。

本文探讨了大型视觉语言模型（LVLMs）中的幻觉问题，提出了视觉对比解码（VCD）和图像偏置解码等方法，以减少幻觉并提高模型性能。研究表明，这些方法在无需额外训练的情况下显著提升了输出准确性，并提供了幻觉评估框架及未来研究方向的建议。