論文の概要: SA-IQA: Redefining Image Quality Assessment for Spatial Aesthetics with Multi-Dimensional Rewards
- arxiv url: http://arxiv.org/abs/2512.05098v1
- Date: Thu, 04 Dec 2025 18:58:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:46.331077
- Title: SA-IQA: Redefining Image Quality Assessment for Spatial Aesthetics with Multi-Dimensional Rewards
- Title（参考訳）: SA-IQA:多次元リワードを用いた空間美学のための画像品質評価の再定義
- Authors: Yuan Gao, Jin Song,
- Abstract要約: 空間美学(Spatial Aesthetics)は、レイアウト、調和、照明、歪みの4次元に沿って内部画像の美的品質を評価するパラダイムである。
空間美学の最初のベンチマークであるSA-BENCHを18,000枚の画像と5万個の正確なアノテーションで構築する。
実験の結果,SA-IQAはSA-BENCHの既存の手法よりも優れており,空間美学評価の新たな標準となっている。
- 参考スコア（独自算出の注目度）: 8.843377553587683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Image Quality Assessment (IQA) for AI-generated images (AIGI) has advanced rapidly; however, existing methods primarily target portraits and artistic images, lacking a systematic evaluation of interior scenes. We introduce Spatial Aesthetics, a paradigm that assesses the aesthetic quality of interior images along four dimensions: layout, harmony, lighting, and distortion. We construct SA-BENCH, the first benchmark for spatial aesthetics, comprising 18,000 images and 50,000 precise annotations. Employing SA-BENCH, we systematically evaluate current IQA methodologies and develop SA-IQA, through MLLM fine-tuning and a multidimensional fusion approach, as a comprehensive reward framework for assessing spatial aesthetics. We apply SA-IQA to two downstream tasks: (1) serving as a reward signal integrated with GRPO reinforcement learning to optimize the AIGC generation pipeline, and (2) Best-of-N selection to filter high-quality images and improve generation quality. Experiments indicate that SA-IQA significantly outperforms existing methods on SA-BENCH, setting a new standard for spatial aesthetics evaluation. Code and dataset will be open-sourced to advance research and applications in this domain.
- Abstract（参考訳）: 近年,AIGIの画像品質評価(IQA)は急速に進歩しているが,既存の手法は主に肖像画や芸術的イメージを対象としており,内部シーンの体系的評価は欠いている。
空間美学(Spatial Aesthetics)は、レイアウト、調和、照明、歪みの4次元に沿って内部画像の美的品質を評価するパラダイムである。
空間美学の最初のベンチマークであるSA-BENCHを18,000枚の画像と5万個の正確なアノテーションで構築する。
SA-BENCHを応用して,既存のIQA手法を体系的に評価し,MLLMファインチューニングと多次元融合によるSA-IQAを空間美学評価のための総合的な報酬フレームワークとして開発する。
我々は,(1)AIGC生成パイプラインを最適化するためにGRPO強化学習と統合された報酬信号として機能する,(2)高品質な画像のフィルタリングと生成品質向上のためのベストオブN選択を行う,という2つの下流タスクにSA-IQAを適用した。
実験の結果,SA-IQAはSA-BENCHの既存の手法よりも優れており,空間美学評価の新たな標準となっている。
コードとデータセットは、この領域での研究と応用を進めるためにオープンソース化される。
関連論文リスト
- MDIQA: Unified Image Quality Assessment for Multi-dimensional Evaluation and Restoration [76.94293572477379]
本稿では,多次元画像品質評価(MDIQA)フレームワークを提案する。
我々は,5つの技術次元と4つの審美次元を含む,様々な知覚次元にわたる画像品質をモデル化する。
MDIQAモデルの準備が整うと、画像復元(IR)モデルの柔軟なトレーニングのためにデプロイできる。
論文 参考訳（メタデータ） (2025-08-23T03:17:14Z) - Image Quality Assessment for Embodied AI [103.66095742463195]
Embodied AIは近年急速に発展しているが、現在も主に実験室に配備されている。
具体的タスク、すなわちロボットの知覚品質における画像のユーザビリティを評価するためのIQA手法は存在しない。
論文 参考訳（メタデータ） (2025-05-22T15:51:07Z) - Towards Explainable Partial-AIGC Image Quality Assessment [51.42831861127991]
AI生成画像(AGI)に対する画像品質評価(IQA)に関する広範な研究にもかかわらず、ほとんどの研究は完全なAI生成出力に焦点を当てている。
我々は、説明可能な部分AIGC画像品質評価(EPAIQA)を目的とした、最初の大規模PAIデータセットを構築した。
我々の研究は、総合的なPAI品質評価のためのIQA分野における先駆的な取り組みである。
論文 参考訳（メタデータ） (2025-04-12T17:27:50Z) - Quality Assessment for AI Generated Images with Instruction Tuning [58.41087653543607]
我々はまず,AIGCIQA2023+と呼ばれるAIGIのための画像品質評価(IQA)データベースを構築した。
本稿では,AIGIに対する人間の嗜好を評価するためのMINT-IQAモデルを提案する。
論文 参考訳（メタデータ） (2024-05-12T17:45:11Z) - Image Quality Assessment With Compressed Sampling [5.76395285614395]
圧縮サンプリングを用いたNR-IQA(CL-IQAとCS-IQA)の2つのネットワークを提案する。
1)イメージをサンプリングする圧縮サンプリングモジュール(CSM) (2)高レベルの特徴を抽出する適応埋め込みモジュール(AEM)。
実験により,提案手法は,データ使用量が少ない様々なデータセットにおいて,他の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-04-26T05:51:57Z) - AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。
3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。
我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
論文 参考訳（メタデータ） (2024-04-01T10:08:23Z) - Re-IQA: Unsupervised Learning for Image Quality Assessment in the Wild [38.197794061203055]
教師なし環境で高レベルのコンテンツと低レベルの画像品質特徴を学習するために、2つの異なるエンコーダを訓練するためのMixture of Expertsアプローチを提案する。
本稿では,Re-IQAフレームワークから得られた高次・低次画像表現を,線形回帰モデルをトレーニングするために展開する。
本手法は,大規模画像品質評価データベース上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-04-02T05:06:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。