Gamma：基于评估专家混合的通用图像评估

图像评估旨在评价图像的质量与美学，并已应用于自然场景与AIGC场景等多种场景中。现有方法大多独立处理这些子任务或场景。尽管部分工作尝试开发统一的图像评估模型，但它们难以达到令人满意的性能或涵盖广泛的评估场景。本文提出 \textbf{Gamma}，一种使用评估专家混合（\textbf{M}ixture of \textbf{A}ssessment Experts）的通用图像评估模型，能够通过混合数据集训练有效评估来自不同场景的图像。由于不同数据集间的标注偏差，在图像评估中实现统一训练面临重大挑战。为解决此问题，我们首先提出评估专家混合模块，采用共享专家与自适应专家分别动态学习不同数据集的共有知识与特定知识。此外，我们引入基于场景的差分提示策略，利用特定场景的提示在学习过程中提供先验知识与指导，进一步提升对各种场景的适应性。我们的 Gamma 模型在跨越6种图像评估场景的12个数据集上进行了训练与评估。大量实验表明，我们统一的 Gamma 模型在覆盖更多场景的同时，以显著优势优于其他最先进的混合训练方法。代码可在 https://github.com/zht8506/Gamma 获取。