从全局到颗粒：通过相关表面揭示 IQA 模型性能
计算机视觉与模式识别
2026-01-30 v1 人工智能
摘要
图像质量评估（IQA）模型的评估长期以全局相关指标为主，如皮尔逊线性相关系数（PLCC）和斯皯尔曼等级相关系数（SRCC）。虽然广泛采用，但这些指标将性能简化为单个标量，无法捕捉排序一致性在局部质量光谱中的变化。例如，两个IQA模型可能获得相同的SRCC值，但一个在排序高质量图像（与高Mean Opinion Score, MOS相关）方面更可靠，而另一个在区分质量/MOS差异较小的图像对方面更好（与MOS相关）。这种互补行为在全局指标下完全不可见。此外，SRCC和PLCC对测试样本的质量分布敏感，导致跨测试集的不稳定比较。为此，我们提出了粒度调制相关（GMC），提供IQA性能的结构化、细粒度分析。GMC包括：（1）一种粒度调制器，将条件于绝对MOS值和两两MOS差值（MOS）的高斯加权相关性，以检验局部性能变化；（2）一种分布调节器，对相关性进行正则化，以缓解非均匀质量分布带来的偏差。最终得到的“相关表面”将相关值表示为MOS和MOS的联合函数，提供IQA性能的3D表示。在标准基准测试中，实验表明GMC揭示了标量指标无法看到的性能特征，为分析、比较和部署IQA模型提供了更具信息性和可靠性的范式。代码已公开于https://github.com/Dniaaa/GMC。
引用
@article{arxiv.2601.21738,
title = {From Global to Granular: Revealing IQA Model Performance via Correlation Surface},
author = {Baoliang Chen and Danni Huang and Hanwei Zhu and Lingyu Zhu and Wei Zhou and Shiqi Wang and Yuming Fang and Weisi Lin},
journal= {arXiv preprint arXiv:2601.21738},
year = {2026}
}