LVLMにおける幻覚耐性デコーディング
分析
この論文は、大規模ビジョン言語モデル（LVLM）における重要な問題である幻覚に対処しています。CoFi-Decという、トレーニング不要の新しいデコーディングフレームワークを提案し、自己生成フィードバックと粗視から微視への視覚的条件付けを活用して、この問題を軽減します。このアプローチはモデルに依存せず、幻覚に焦点を当てたベンチマークで大幅な改善を示しており、この分野への貴重な貢献となっています。予測を整合させるためのWassersteinベースの融合メカニズムの使用は特に興味深いです。