Como lidar com as alucinações de imagem da IA amplificando suas falhas

Lar

Notícias

22 de Dezembro de 2025

RalphRoberts

Modelos de visão como o ChatGPT frequentemente inventam elementos que faltam em uma imagem. Uma nova abordagem reduz esses erros gerando versões exageradas dos detalhes alucinados do próprio modelo a partir de suas legendas e, em seguida, solicitando a revisão. Essa técnica não requer retreinamento ou dados adicionais, o que a torna amplamente aplicável a vários modelos e arquiteturas.

Um novo estudo da China aborda o problema persistente das alucinações em imagens e vídeos gerados por IA - detalhes que contradizem claramente a solicitação do usuário.

O processo começa de forma convencional: o modelo descreve uma imagem. Essa legenda é então inserida em um modelo de texto para imagem para produzir uma nova imagem - qualquerobjeto ou recurso extra nessa reconstrução revela diretamente as alucinações iniciais do modelo. Ao comparar as imagens originais e as geradas, o sistema orienta o modelo para evitar a repetição desses erros em tentativas futuras.

Uma ilustração de como o novo método identifica e reduz as alucinações nas legendas das imagens. O modelo regular descreve pássaros que não existem na imagem original, levando a uma imagem reconstruída que os adiciona. Esses erros estão marcados em vermelho. Por outro lado, o método proposto evita esses detalhes inventados e mantém a legenda específica e fluente. Fonte: https://arxiv.org/pdf/2509.21997

Este diagrama mostra como a nova técnica detecta e minimiza as alucinações de legendas. Um modelo padrão adiciona incorretamente pássaros à descrição de uma imagem, e a versão reconstruída os insere visualmente (destacados em vermelho). O novo método evita essas fabricações e mantém a precisão descritiva. Fonte: https://arxiv.org/pdf/2509.21997

O método começa fazendo com que o modelo descreva imagens reais, às vezes incluindo objetos ou detalhes que não estão realmente presentes. Essas legendas imprecisas geram imagens sintéticas que destacam os erros. Ao comparar imagens reais e sintéticas, o sistema identifica padrões internos que levam ao conteúdo inventado.

Quando esses padrões de erro são reconhecidos, eles são armazenados para uso futuro. Ao legendar uma nova imagem, o sistema ajusta os sinais internos do modelo, afastando-o dos gatilhos de alucinação conhecidos. Essa correção ocorre em uma única passagem, sem dados extras, retreinamento ou geração de imagens durante o teste.

O desafio do entrelaçamento

No exemplo do artigo, o "emaranhamento" provavelmente explica por que os pássaros foram adicionados a uma imagem que não continha nenhum.

O entrelaçamento ocorre quando um modelo vincula fortemente determinados conceitos porque eles aparecem frequentemente juntos em seus dados de treinamento. Nesse caso, o modelo pode ter encontrado com frequência aviões com pássaros, criando uma associação que influencia erroneamente a legenda.

Embora terminar o treinamento mais cedo possa reduzir o emaranhamento (aumentando a flexibilidade do modelo), isso também diminui os detalhes conceituais e a resolução. Os desenvolvedores enfrentam um dilema persistente: priorizar um modelo flexível e desemaranhado ou um modelo mais generativo, propenso a alucinações associadas?

O ideal seria que as legendas das imagens de origem discriminassem todos os objetos presentes, permitindo que o modelo os armazenasse como entradas separadas e desvinculadas. No entanto, as práticas de legendagem orientadas por SEO e a raspagem da Web em larga escala, comuns no treinamento de modelos generativos avançados, muitas vezes ficam aquém desse padrão.

Uma ilustração de como as legendas fracas limitam a utilidade das imagens LAION para modelos de treinamento como o Stable Diffusion. Muitos dos rótulos de texto são superficiais, vagos ou otimizados para SEO em vez de uma descrição precisa, o que dificulta para o modelo aprender conceitos visuais de granulação fina, como características faciais (a fonte original era https://rom1504.github.io/, agora extinta).

As legendas fracas reduzem o valor das imagens LAION para o treinamento de modelos como o Stable Diffusion. Os rótulos geralmente são superficiais, vagos ou focados em SEO em vez de descritivos, o que prejudica a capacidade do modelo de aprender conceitos visuais detalhados, como características faciais. (A fonte original era https://rom1504.github.io/, agora extinta).

Como uma correção fundamental é impraticável, as soluções alternativas para reduzir as alucinações em LLMs e VLMs tornaram-se um foco de pesquisa significativo. O novo método chinês, testado em várias arquiteturas e condições, mostra-se promissor na redução da "poluição de alucinações".

Os autores afirmam:

"Experimentos extensivos em vários benchmarks mostram que nosso método reduz significativamente as alucinações nos níveis de objeto, atributo e relação, ao mesmo tempo em que preserva amplamente a recuperação e a legenda [riqueza]".

O artigo, intitulado Exposing Hallucinations To Suppress Them: VLMs Representation Editing With Generative Anchors (Expondo alucinações para suprimi-las: edição de representação de VLMs com âncoras geradoras), é de autoria de pesquisadores da Universidade de Ciência e Tecnologia da China e da Universidade de Nanjing.

Como o método funciona

Os pesquisadores desenvolveram um pipeline de ponta a ponta para expor e suprimir alucinações de legendas:

Uma ilustração do pipeline completo. Um modelo de linguagem de visão primeiro gera uma legenda a partir da imagem de entrada, que pode incluir conteúdo alucinado. Em seguida, essa legenda é usada para produzir uma imagem reconstruída por meio de um modelo de texto para imagem, facilitando a identificação de qualquer alucinação. Os embeddings das imagens originais e reconstruídas são extraídos e usados para orientar os ajustes dentro do decodificador, ajudando o modelo a suprimir os detalhes alucinados e preservando a qualidade da legenda.

A ilustração completa do pipeline. Um modelo de linguagem de visão gera uma legenda a partir de uma imagem de entrada, possivelmente incluindo alucinações. Essa legenda é usada para criar uma imagem reconstruída por meio de um modelo de texto para imagem, tornando os erros visíveis. As incorporações de ambas as imagens orientam os ajustes internos, ajudando o modelo a reduzir os detalhes inventados sem perder a qualidade da legenda.

Um modelo de linguagem de visão primeiro legenda uma imagem real, possivelmente inventando objetos ou relacionamentos. Em seguida, essa legenda gera uma imagem reconstruída, revelando quaisquer invenções como discrepâncias visuais. A comparação das duas imagens transforma erros sutis de texto em sinais mensuráveis e corrigíveis.

Para desestimular as invenções, o sistema compara a imagem original (uma referência confiável) com a reconstruída (destacando os erros). Cada uma é convertida em uma incorporação compacta. Ao ajustar as representações internas para que se alinhem mais com o original e se afastem da reconstrução, o modelo se autocorrige de forma totalmente autossupervisionada.

O artigo explica:

"As alucinações em MLLMs são intrinsecamente difíceis de detectar porque são linguisticamente bem formadas e muitas vezes indistinguíveis de descrições fiéis no nível do texto. A discrepância não está na plausibilidade da linguagem, mas no desalinhamento com a evidência visual, à qual o modelo em si é normalmente insensível.

Para resolver isso, introduzimos um mecanismo de exposição à alucinação que aproveita a reconstrução generativa para converter inconsistências implícitas em sinais explícitos e observáveis.

Usando o modelo de texto para imagem FLUX.1-dev, o sistema recria uma imagem a partir da legenda, exagerando quaisquer detalhes falsos. Esses erros amplificados ajudam o modelo a reconhecer e corrigir seus erros.

Para validar a abordagem, os pesquisadores injetaram alucinações nas legendas, geraram imagens reconstruídas e, em seguida, recriaram as legendas com o LLaVA. Eles mediram a semelhança semântica entre as legendas originais e as alucinadas:

Uma ilustração de como o mecanismo de amplificação de alucinação torna visíveis erros sutis. Cada ponto mostra a semelhança entre as legendas das imagens originais e reconstruídas para um par imagem-legenda. A linha laranja representa a similaridade medida diretamente entre as legendas originais e alucinadas, que permanece alta e mascara pequenos erros; a linha azul representa a similaridade após a reconstrução, que cai drasticamente, mostrando que o processo transforma alucinações ocultas em marcadores semânticos claros que podem ser detectados e corrigidos.

O mecanismo de amplificação de alucinação visualiza erros sutis. Cada ponto mostra a similaridade da legenda para um par de imagem e legenda. A linha laranja (comparação direta) permanece alta, mascarando os erros; a linha azul (pós-reconstrução) cai drasticamente, revelando alucinações ocultas como marcadores semânticos detectáveis.

A similaridade diminuiu significativamente após a reconstrução, demonstrando a capacidade do método de expor erros sutis.

Dados e testes

A eficácia foi validada usando três benchmarks: Caption Hallucination Assessment with Image Relevance (CHAIR); MLLM Evaluation (MME); e Pooling-based Object Probing Evaluation (POPE).

Do documento de lançamento do CHAIR: exemplos de objetos alucinados gerados por dois dos principais sistemas de legendas, TopDown e NBT, em que cada modelo inventa elementos visuais que não estão realmente presentes na imagem, como laptops, pias ou pranchas de surfe. Fonte: https://arxiv.org/pdf/1809.02156

Do documento de lançamento do CHAIR: exemplos de objetos alucinados gerados pelos sistemas de legenda TopDown e NBT, que inventam elementos como laptops, pias ou pranchas de surfe não presentes na imagem. Fonte: https://arxiv.org/pdf/1809.02156

As métricas padrão, como taxa de alucinação ou recall, podem ser enganosas - os modelos podem evitar erros produzindo legendas vagas. Para equilibrar a precisão e a integridade, foi usada a métrica combinada Hallucination and Recall (HAR@β), pontuando as legendas em ambos os fatores com ponderação ajustável.

O POPE avaliou as alucinações de objetos sensíveis ao contexto, e o MME avaliou as alucinações em nível de atributo, ambas como tarefas Sim/Não.

Os testes usaram o modelo Flux e o LLaVA-v1.5-7B em conjuntos de dados, incluindo Microsoft COCO, A-OKVQA e GQA. A edição latente foi direcionada à segunda camada dos modelos, com hiperparâmetros e temperatura consistentes em todos os testes.

Os resultados iniciais do CHAIR são mostrados abaixo*:

Desempenho no benchmark CHAIR para atenuação de alucinações, avaliado usando várias métricas.

Desempenho no benchmark CHAIR para mitigação de alucinações, avaliado com várias métricas.

Os autores observam:

"[Nosso método supera consistentemente outras linhas de base no _CHAIRS e no _CHAIRI[*] , demonstrando sua eficácia superior na supressão de alucinações. Enquanto isso, embora quase todos os métodos reduzam inevitavelmente a recuperação ao suprimir as alucinações, refletindo uma compensação entre fidelidade e informatividade, nossa abordagem atinge a menor queda.

Isso demonstra que nosso método captura uma ampla gama de objetos da verdade básica. Com a métrica HAR@β, nosso método obtém a pontuação mais alta, destacando sua capacidade de reduzir as alucinações e, ao mesmo tempo, manter a cobertura.

Os bons resultados são atribuídos à supervisão dupla: reforço da semântica limpa da imagem original e supressão de sinais enganosos da reconstrução. Ao visar somente as direções relacionadas à alucinação, o sistema corrige os erros sem perder detalhes.

Comparação do desempenho no benchmark POPE em várias configurações e conjuntos de dados.

Comparação de desempenho no benchmark POPE em diferentes configurações e conjuntos de dados.

Com relação aos resultados do POPE, o documento afirma:

"Pode-se observar que nosso método alcança consistentemente o melhor desempenho em todas as configurações. Notavelmente, nosso método pode atingir até +5,95% de precisão e +6,85% de pontuação F1 em média, superando outras abordagens sem treinamento por uma grande margem.

Portanto, esses resultados demonstram que nosso método oferece uma solução confiável e generalizável em diferentes níveis de dificuldade".

A partir da terceira rodada de testes, comparações de desempenho em relação à MME.

Comparações de desempenho da terceira rodada de testes no MME.

O teste principal final foi no MME, com os resultados mostrados acima. No entanto, o documento menciona o método "OPERA" sem definição no texto principal ou no apêndice. Embora os autores afirmem que o desempenho do MME é forte, a falta de detalhes do método sugere cautela na interpretação desses resultados.