面向可解释性部分-AIGC 图像质量评估的探索
计算机视觉与模式识别
2025-04-15 v1 多媒体
摘要
AI 驱动的视觉生成技术的快速发展催化了图像操作领域的重大突破，尤其是在实现对自然场景图像（NSIs）进行局部人造编辑的照明逼真效果方面。尽管对 AI 生成图像（AGI）的图像质量评估（IQA）研究已有广泛发展，但大多数研究聚焦于完全 AI 生成的输出（如文本到图像生成），而针对包含局部 AI 驱动编辑的图像（PAI）的质量评估几乎未见有人关注。为填补这一空白，我们构建了首个大规模 PAI 数据集，以支持可解释性部分-AIGC 图像质量评估（EPAIQA），即 EPAIQA-15K 数据集，其中包含 15K 张具有不同区域局部 AI 操作的图像，以及 30 万维度的人类评分。基于此，我们利用大型多模态模型（LMM）提出了三个阶段的模型训练范式。该范式依次训练 LMM 进行编辑区域定位、定量质量评分以及质量解释。最终，我们开发了 EPAIQA 系列模型，具备可解释质量反馈能力。本工作是感知 IQA 领域针对综合 PAI 质量评估的开创性工作。
引用
@article{arxiv.2504.09291,
title = {Towards Explainable Partial-AIGC Image Quality Assessment},
author = {Jiaying Qian and Ziheng Jia and Zicheng Zhang and Zeyu Zhang and Guangtao Zhai and Xiongkuo Min},
journal= {arXiv preprint arXiv:2504.09291},
year = {2025}
}