MiD-VLM: Phát hiện và định vị thông tin sai lệch ngữ nghĩa trong các cặp ảnh–chú thích

Thông tin sai lệch ngữ nghĩa có thể xuất hiện khi một ảnh chân thực được ghép với chú thích làm thay đổi hoặc bóp méo câu chuyện của ảnh. Vì bản thân ảnh có thể không có dấu hiệu bị chỉnh sửa, các phương pháp phát hiện dấu vết ở cấp pixel có thể bỏ sót những cặp ảnh–chú thích gây hiểu lầm này.