Illusion-Aware Visual Preprocessing and Anti-Illusion Prompting for Classic Illusion Understanding in Vision-Language Models
本文提出了一种无需训练的框架，用于参加 CVPR 2026 DataCV 挑战赛，该框架通过结合错觉感知图像预处理、反错觉提示以及多投票集成，显著提升了视觉 - 语言模型在理解经典视觉错觉方面的准确性，从而克服了其对记忆事实的偏见。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在向一个非常聪明、博览群书的机器人展示一张图片。你指着两条线问道：“这两条线长度相同吗？”
在现实世界中，你可能正看着一个著名的视错觉（例如缪勒 - 莱耶错觉），其中线条末端的箭头会欺骗你的大脑，让你觉得其中一条比另一条长，尽管它们实际上完全相同。
这里的问题在于：这篇论文中的机器人“聪明反被聪明误”。它并没有真正“观察”屏幕上的像素来测量线条，而是认出这张图片是它在教科书中见过的著名把戏。它说：“啊，我知道这个！这是缪勒 - 莱耶错觉。这两条线实际上长度相同，”并给出了正确答案。
但转折来了：如果你稍微修改图片，让线条实际上长度不同（打破错觉），机器人仍然会说它们长度相同。为什么？因为它依赖的是对把戏的记忆，而不是用眼睛去观察新的现实。这就像一个背下了答案键却没学会如何解题的学生。
解决方案：“戏弄戏弄者”
这篇论文的作者构建了一个系统来解决这种“记忆与视觉”的问题，而无需重新训练机器人（这就像试图重新连接它的大脑）。相反，他们使用了三个巧妙的技巧，迫使机器人像人类一样重新审视图片。
1. “魔法橡皮擦”（图像预处理）
团队并没有要求机器人“忽略错觉”，而是物理上修改了图片，使错觉消失。
- 类比：想象你要比较两个苹果的大小，但一个苹果坐在昏暗、令人困惑的阴影中，另一个则在明亮的光线下。很难判断哪个更大。团队并没有要求机器人“想象”阴影消失了，而是真的把苹果从图片中剪下来，并将它们并排放在一张 plain 白桌子上。
- 具体做法：针对不同类型的错觉，他们使用了特定的工具：
- 针对颜色错觉：他们只剪下彩色条纹，并将它们并排放在灰色背景上。
- 针对大小错觉：他们隔离了物体并进行了“镜像”处理，使它们完美重叠。如果大小不同，就会出现缝隙；如果大小相同，它们就会无缝融合。
- 针对直线度错觉：他们在图像上绘制了蓝色网格线，作为标尺。
通过改变图像，他们移除了触发机器人记忆的“混乱背景”。现在，机器人必须观察实际的视觉证据。
2. “严厉的老师”（反错觉提示）
一旦图片被清理完毕，团队就给机器人一套非常具体的指令（提示）。
- 类比：这就像老师告诉学生：“停止根据你在书中读到的内容进行猜测。看看我刚刚在纸上画的标尺。将线条与标尺进行比较，并告诉我你看到了什么。”
- 策略：提示中明确指出了错觉的名称（例如“这是缪勒 - 莱耶错觉”），以唤醒机器人，但随即立即告诉它忽略箭头，并只比较水平线。这迫使机器人从“回忆事实”切换到“进行视觉比较”。
3. “评委团”（多投票集成）
即使有了清晰的图片和良好的指令，机器人有时也可能“状态不佳”或受到随机故障的干扰。
- 类比：想象你问一个人一个问题，他可能会答错。但如果你问五个不同的人同一个问题，并采纳多数人的答案，你更有可能得到正确答案。
- 策略：系统向机器人提出同一个问题五次，并选择出现频率最高的答案。这可以平滑掉任何随机错误。
结果
团队在包含 630 张棘手图像的比赛中测试了这个系统。
- 没有这些技巧：机器人表现挣扎，经常陷入其记忆知识的困境。
- 有了这些技巧：该系统在官方测试集上获得了90.48%的正确答案。在一个较小的人工验证子集上，正确率达到了98.41%。
他们在比赛中获得了第 2 名，仅以极小的差距落后于冠军，这证明了解决这些问题并不需要构建一个新的、更聪明的机器人。你只需要给现有的机器人一张更好的图片去观察，以及更清晰的指令告诉它如何观察。
核心结论
这篇论文表明，当智能 AI 被视错觉搞糊涂时，通常是因为它基于已有的知识“思考过多”。解决方案不是教它新的事实，而是清理图像使真相显而易见，告诉它观察图像而不是依赖记忆，并问它五次以确保准确。这是一种简单、实用的方法，能让 AI 更清晰地看清世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。