Grounding-IQA：面向图像质量评估的多模态语言模型 grounding
计算机视觉与模式识别
2026-03-03 v5
摘要
多模态大语言模型(MLLM)的发展使得通过自然语言描述来评估图像质量成为可能。这一进展允许进行更详细的评估。然而，这些MLLM-based IQA方法主要依赖通用情境描述，有时限制了细粒度的质量评估。为此，我们提出一种新的图像质量评估(IQA)任务范式，**grounding-IQA**。该范式将多模态指涉与grounding与IQA相结合，以实现更细粒度的质量感知，从而扩展了现有的IQA方法。具体而言，grounding-IQA包含两个子任务：grounding-IQA-description(GIQA-DES)和视觉问答(GIQA-VQA)。GIQA-DES涉及带有精确位置(如边界框)的详细描述，而GIQA-VQA聚焦于局部区域的质量问答。为实现grounding-IQA，我们通过提出的自动标注管道构建了相应数据集GIQA-160K。此外，我们设计了一个综合基准，GIQA-Bench。该基准从三个角度评估grounding-IQA性能：描述质量、VQA准确率和grounding精确度。实验表明，我们的方法促进了更细粒度的IQA应用。代码：https://github.com/zhengchen1999/Grounding-IQA。
引用
@article{arxiv.2411.17237,
title = {Grounding-IQA: Grounding Multimodal Language Model for Image Quality Assessment},
author = {Zheng Chen and Xun Zhang and Wenbo Li and Renjing Pei and Fenglong Song and Xiongkuo Min and Xiaohong Liu and Xin Yuan and Yong Guo and Yulun Zhang},
journal= {arXiv preprint arXiv:2411.17237},
year = {2026}
}
备注
Accepted to ICLR 2026. Code is available at: https://github.com/zhengchen1999/Grounding-IQA