图像编辑评估质量标准与距离感知评分建模的重构
计算机视觉与模式识别
2026-04-15 v1
摘要
近期图像编辑技术的进步加剧了对可靠图像编辑质量评估（IEQA）的需求。与传统方法不同，IEQA需要对多模态输入和多维评估进行复杂推理。现有基于大型多模态语言模型（MLLM）的方法常依赖人类启发式提示，导致两个关键局限性：指标提示僵化且评分建模缺乏距离感知。这一问题阻碍了与隐式人类标准的对齐，并无法捕捉评分空间的连续结构。为此，我们提出了定义与评分图像编辑质量评估框架（Define-and-Score IEQA, DS-IEQA），实现评估标准与评分表征的联合学习。具体而言，我们引入反馈驱动指标提示优化（Feedback-Driven Metric Prompt Optimization, FDMPO），通过概率反馈自动细化指标定义。进而，我们提出了Token解耦距离回归损失（Token-Decoupled Distance Regression Loss, TDRL），通过期望距离最小化显式建模评分连续性。大量实验表明，我们的方法性能卓越；在2026年NTIRE X-AIGC质量评估赛道2中无需额外训练数据即可排名第4。
引用
@article{arxiv.2604.12175,
title = {Redefining Quality Criteria and Distance-Aware Score Modeling for Image Editing Assessment},
author = {Xinjie Zhang and Qiang Li and Xiaowen Ma and Axi Niu and Li Yan and Qingsen Yan},
journal= {arXiv preprint arXiv:2604.12175},
year = {2026}
}