SIQA：可靠的科学图像质量评估框架
计算机视觉与模式识别
2026-03-10 v1
摘要
科学图像与自然图像和 AI 生成图像在根本上有所不同，因为它们编码的是结构化的领域知识，而不仅仅是描绘视觉场景。因此，评估其质量需要不仅考虑感知保真度，还要评估科学的正确性和逻辑的完整性。然而，现有的图像质量评估（IQA）范式主要关注感知失真或图像-文本对齐，隐含地假设所描绘的内容是事实上有效的。在科学语境下，这一假设不成立，因为视觉上合理的图像可能仍包含概念性错误或不完整的推理。为此，我们引入科学图像质量评估（SIQA），一个沿两个互补维度建模科学图像质量的框架：知识（科学有效性和科学完整性）和感知（认知清晰度和学科一致性）。为实现这一表述，我们设计了两个评估协议：SIQA-U（理解），通过多选题测量对科学内容的语义理解；SIQA-S（评分），评估与专家质量判断的对齐程度。我们进一步构建了 SIQA 挑战，包括专家标注的基准数据集和大规模训练集。跨代表性多模态大语言模型（MLLM）的实验揭示了评分一致性与科学理解之间持续的差距。尽管模型在 SIQA-S 上可获得与专家评分高度一致的成绩，但其在 SIQA-U 上的表现仍显著低于后者。微调可提升两者，但评分的提升始终快于理解的提升。这一结果表明，仅凭评分一致性可能不可靠地反映科学理解，凸显了针对科学图像质量评估需要多维度评估的必要性。
引用
@article{arxiv.2603.06700,
title = {SIQA: Toward Reliable Scientific Image Quality Assessment},
author = {Wenzhe Li and Liang Chen and Junying Wang and Yijing Guo and Ye Shen and Farong Wen and Chunyi Li and Zicheng Zhang and Guangtao Zhai},
journal= {arXiv preprint arXiv:2603.06700},
year = {2026}
}