MetaRanker：用于金属透镜图像质量的人类在环主动排序

现代成像系统中的图像质量源于传感器、光学和计算重构之间的耦合作用。超薄金属透镜提供了大幅缩小光学模块体积的途径，但实际设计常常表现出显著的色散和场相关像差，需依赖计算重构。目前金属透镜流程中，重构模型通常使用基于失真的保真度目标（如 PSNR）进行训练和选择，但这些代理指标与人类偏好及下游实用性可能存在较弱关联，反映了已知的感知—失真权衡。我们引入MetaRanker，一种人类在环主动排序框架，将金属透镜图像质量形式化为语义可解释性，定义为在光学失真存在下，人类可靠识别物体和结构的程度。MetaRanker结合概率偏好模型与不确定性感知查询选择，利用视觉—语言模型提供轻量级语义先验。重要的是，这些先验仅用于引导信息性比较的采样；人类判断始终是监督信号。针对具有不同退化特征的真实金属透镜数据集和合成数据集，MetaRanker生成的排序与人类评估最吻合，同时将所需的两两标注数量约减少80%。最后，我们表明标准图像质量评估指标在金属透镜领域与人类可解释性对齐有限，使MetaRanker成为通向感知导向金属透镜评估与协同设计的实用步骤。