ME-IQA: 基于重排序的数据增强图像质量评估
计算机视觉与模式识别
2026-03-24 v1
摘要
推理引发的视觉语言模型 (VLM) 通过文本推理推进图像质量评估 (IQA)，但其标量分数常缺乏灵敏度，坍缩为少数几个值，即所谓的离散坍缩。我们引入 ME-IQA，一个即插即用、基于测试时间记忆增强的重排序框架。该框架 (i) 构建记忆库并使用推理摘要检索语义和感知上对齐的邻居；(ii) 将 VLM 重新表述为概率比较器，以获得两两偏好概率，并在斯图亚特 Case V 模型下将这些序数证据与初始分数融合；(iii) 执行门控反思并 consolidated 记忆以改进未来决策。该方法生成更密集、更具扰动灵敏度的预测，缓解了离散坍缩问题。在多个 IQA 数据集上进行的实验表明，ME-IQA 在强推理引发的 VLM 基线、现有的非推理 IQA 方法以及测试时间扩展方法方面 consistently 获得提升。
引用
@article{arxiv.2603.20785,
title = {ME-IQA: Memory-Enhanced Image Quality Assessment via Re-Ranking},
author = {Kanglong Fan and Tianhe Wu and Wen Wen and Jianzhao Liu and Le Yang and Yabin Zhang and Yiting Liao and Junlin Li and Li Zhang},
journal= {arXiv preprint arXiv:2603.20785},
year = {2026}
}