Buchumschlag

Hallucination of Multimodal Large Language Models: A Survey

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bai, Zechen, Wang, Pichao, Xiao, Tianjun, He, Tong, Han, Zongbo, Zhang, Zheng, Shou, Mike Zheng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Bridging Information Asymmetry in Text-video Retrieval: A Data-centric Approach
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

Skip \n: A Simple Method to Reduce Hallucination in Large Vision-Language Models
von: Han, Zongbo, et al.
Veröffentlicht: (2024)

Factorized Visual Tokenization and Generation
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

EVOLVE-VLA: Test-Time Training from Environment Feedback for Vision-Language-Action Models
von: Bai, Zechen, et al.
Veröffentlicht: (2025)

Impossible Videos
von: Bai, Zechen, et al.
Veröffentlicht: (2025)

Genixer: Empowering Multimodal Large Language Models as a Powerful Data Generator
von: Zhao, Henry Hengyuan, et al.
Veröffentlicht: (2023)

Show-o2: Improved Native Unified Multimodal Models
von: Xie, Jinheng, et al.
Veröffentlicht: (2025)

Adaptive Slot Attention: Object Discovery with Dynamic Slot Number
von: Fan, Ke, et al.
Veröffentlicht: (2024)

Unsupervised Open-Vocabulary Object Localization in Videos
von: Fan, Ke, et al.
Veröffentlicht: (2023)

Ego-centric Predictive Model Conditioned on Hand Trajectories
von: Zhang, Binjie, et al.
Veröffentlicht: (2025)

DoraCycle: Domain-Oriented Adaptation of Unified Generative Model in Multimodal Cycles
von: Zhao, Rui, et al.
Veröffentlicht: (2025)

VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
von: Lin, Kevin Qinghong, et al.
Veröffentlicht: (2025)

UniRL: Self-Improving Unified Multimodal Models via Supervised and Reinforcement Learning
von: Mao, Weijia, et al.
Veröffentlicht: (2025)

DOTA: Distributional Test-Time Adaptation of Vision-Language Models
von: Han, Zongbo, et al.
Veröffentlicht: (2024)

SCT: A Simple Baseline for Parameter-Efficient Fine-Tuning via Salient Channels
von: Zhao, Henry Hengyuan, et al.
Veröffentlicht: (2023)

LOVA3: Learning to Visual Question Answering, Asking and Assessment
von: Zhao, Henry Hengyuan, et al.
Veröffentlicht: (2024)

Show-o: One Single Transformer to Unify Multimodal Understanding and Generation
von: Xie, Jinheng, et al.
Veröffentlicht: (2024)

TPDiff: Temporal Pyramid Video Diffusion Model
von: Ran, Lingmin, et al.
Veröffentlicht: (2025)

D-AR: Diffusion via Autoregressive Models
von: Gao, Ziteng, et al.
Veröffentlicht: (2025)

Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance
von: Lin, Yiqi, et al.
Veröffentlicht: (2026)

UniMoD: Efficient Unified Multimodal Transformers with Mixture-of-Depths
von: Mao, Weijia, et al.
Veröffentlicht: (2025)

Efficient Multimodal Large Language Models: A Survey
von: Jin, Yizhang, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Large Model: A Survey
von: Wu, Weijia, et al.
Veröffentlicht: (2025)

Seeing is Believing? Mitigating OCR Hallucinations in Multimodal Large Language Models
von: He, Zhentao, et al.
Veröffentlicht: (2025)

Bring Your Own Character: A Holistic Solution for Automatic Facial Animation Generation of Customized Characters
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

Reflective Instruction Tuning: Mitigating Hallucinations in Large Vision-Language Models
von: Zhang, Jinrui, et al.
Veröffentlicht: (2024)

P-Flow: Prompting Visual Effects Generation
von: Zhao, Rui, et al.
Veröffentlicht: (2026)

VL-Uncertainty: Detecting Hallucination in Large Vision-Language Model via Uncertainty Estimation
von: Zhang, Ruiyang, et al.
Veröffentlicht: (2024)

A Survey of Multimodal Hallucination Evaluation and Detection
von: Chen, Zhiyuan, et al.
Veröffentlicht: (2025)

Long-Context Autoregressive Video Modeling with Next-Frame Prediction
von: Gu, Yuchao, et al.
Veröffentlicht: (2025)

DiffSim: Taming Diffusion Models for Evaluating Visual Similarity
von: Song, Yiren, et al.
Veröffentlicht: (2024)

Multimodal Large Language Model-Enabled Video Translation: A Role-Oriented Survey
von: Qu, Bingzheng, et al.
Veröffentlicht: (2026)

Hallucination Augmented Contrastive Learning for Multimodal Large Language Model
von: Jiang, Chaoya, et al.
Veröffentlicht: (2023)

Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers
von: Shi, Yiqing, et al.
Veröffentlicht: (2025)

LLaVA-KD: A Framework of Distilling Multimodal Large Language Models
von: Cai, Yuxuan, et al.
Veröffentlicht: (2024)

Detecting and Evaluating Medical Hallucinations in Large Vision Language Models
von: Chen, Jiawei, et al.
Veröffentlicht: (2024)

Rethinking The Training And Evaluation of Rich-Context Layout-to-Image Generation
von: Cheng, Jiaxin, et al.
Veröffentlicht: (2024)

Draw-In-Mind: Rebalancing Designer-Painter Roles in Unified Multimodal Models Benefits Image Editing
von: Zeng, Ziyun, et al.
Veröffentlicht: (2025)

Visual Perception by Large Language Model's Weights
von: Ma, Feipeng, et al.
Veröffentlicht: (2024)