EvoIQA - 基于演化白盒逻辑解释图像失真
计算机视觉与模式识别
2026-03-18 v1 神经与进化计算
摘要
传统图像质量评估（IQA）指标通常落入两种极端：严格的、手工制作的数学模型或完全缺乏可解释性的“黑盒”深度学习架构。为弥合这一差距，我们提出 EvoIQA，一个基于遗传编程演化显式、人类可读数学公式的完全可解释符号回归框架，用于图像质量评估（IQA）。利用来自 VSI、VIF、FSIM 和 HaarPSI 指标的丰富终端集，我们的框架本质上将结构、色彩和信息论退化映射到可观察的数学方程中。我们的结果表明，演化得到的 GP 模型 consistently 实现了预测结果与人类视觉偏好之间的强一致性。进一步地，它们不仅超越了传统手工制作的指标，也与 DB-CNN 等复杂、最先进的深度学习模型实现了性能持平，证明我们不必为最先进的性能而牺牲可解释性。
引用
@article{arxiv.2603.15887,
title = {EvoIQA - Explaining Image Distortions with Evolved White-Box Logic},
author = {Ruchika Gupta and Illya Bakurov and Nathan Haut and Wolfgang Banzhaf},
journal= {arXiv preprint arXiv:2603.15887},
year = {2026}
}
备注
11 pages, 3 figures