计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
(v1)
,最后修订 2025年7月2日 (此版本, v2)]
标题: 大模型的可察觉差异
标题: Just Noticeable Difference for Large Multimodal Models
摘要: 显著差异(JND),即人类视觉系统(HVS)可以感知的最小变化,已经研究了几十年。 尽管最近的研究将这一领域的研究扩展到了机器视觉,但缺乏系统地探索其在多种任务和刺激类型中的感知边界的研究,尤其是在大型多模态模型(LMMs)迅速发展的当前时代,研究模型的多方面能力已成为主流焦点。 此外,LMMs的感知缺陷尚未得到充分研究,导致潜在的安全问题和响应效率低下。 在本文中,我们进行了初步尝试,并证明当前LMMs中存在显著的视觉盲点。 为了系统地量化这一特性,我们提出一个新的概念,{\bf LMM-JND},以及其确定流程。 针对揭示与HVS对齐的视觉感知任务中的行为共性,我们深入研究了几种LMM家族,并构建了一个大规模数据集,命名为VPA-JND,其中包含21.5k参考图像,跨越12种失真类型,超过489k个刺激,以促进LMM-JND的研究。 VPA-JND暴露了最先进的LMMs(包括GPT-4o和InternVL2.5系列)在基本比较查询中遇到困难,并且明显低于人类水平的视觉性能。 我们进一步探讨了视觉和语言主干的影响,并发现它们的设计理念之间存在显著相关性,这可能为未来LMMs的视觉敏锐度优化提供指导。 综上所述,我们的研究强调了LMM-JND作为研究LMMs的独特视角的重要性,可预测的LMM-JND对于安全问题至关重要。 这项工作将在https://github.com/zijianchen98/LMM-JND上发布。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.