ELIQ：面向演化AI生成图像的无标签质量评估框架
计算机视觉与模式识别
2026-04-30 v2 人工智能
多媒体
摘要
生成式文本到图像模型正以前所未有的速度发展，不断提升感知质量天花板，使先前收集的标签对较新生成的内容变得不可靠。为此，我们提出ELIQ，即面向演化AI生成图像的无标签质量评估框架。具体而言，ELIQ聚焦于视觉质量和提示-图像对齐，自动构建正面和特定于方面的负面配对，以覆盖常规失真和AIGC特定失真模式，实现无需人工标注的可迁移监督。基于这些配对，ELIQ将预训练的多模态模型适配为具有质量意识的批评家，通过指令调优预测二维质量，使用轻量级门控融合和质量查询转换器。跨多个基准的实验表明，ELIQ consistently优于现有无标签方法，能够从AI生成内容(AIGC)到用户生成内容(UGC)场景中无需修改地泛化，并为持续演化的生成模型下的可扩展无标签质量评估铺平了道路。代码将在发表后公开。
引用
@article{arxiv.2602.03558,
title = {ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images},
author = {Xinyue Li and Zhiming Xu and Min Tang and Zhaolin Cai and Sijing Wu and Xiongkuo Min and Yitong Chen and Guangtao Zhai},
journal= {arXiv preprint arXiv:2602.03558},
year = {2026}
}