基于属性感知强化学习排序的多粒度图像质量评估
计算机视觉与模式识别
2026-04-14 v1
摘要
近期推进感知图像质量评估（IQA）的推理方法已展示了强化学习排序（RL2R）用于训练视觉语言模型（VLM）评估感知质量的强大能力。然而，现有方法仅在单一粒度上运行，预测整体质量得分，忽略了人类质量感知的多维特性，后者包括锐度、色彩保真度、噪声水平和构图美学等属性。本文提出了MG-IQA（Multi-Granularity IQA），一个多粒度推理框架，将RL2R扩展到在单次推理中联合评估整体图像质量和细粒度质量属性。我们的 метод引入了三个关键创新点：（1）一种属性感知提示策略，从VLMs中引导结构化的多属性推理；（2）一种多维斯蒂尔斯特奖励模型，用于计算分组相对策略优化的属性特定忠诚度奖励；（3）一种跨域对齐机制，使在合成失真、真实失真和AI生成图像数据集上进行联合训练时无需感知尺度重新对齐。对八个IQA基准的广泛实验表明，MG-IQA在整体质量预测（平均SRCC提升2.1%）和属性水平评估方面均 consistently 超过最先进的方法，同时生成可解释且符合人类直觉的质量描述。
引用
@article{arxiv.2604.09704,
title = {Multi-Granularity Reasoning for Image Quality Assessment via Attribute-Aware Reinforcement Learning to Rank},
author = {Xiangyong Chen and Xiaochuan Lin and Haoran Liu and Xuan Li and Yichen Su and Xiangwei Guo},
journal= {arXiv preprint arXiv:2604.09704},
year = {2026}
}