論文の概要: ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images

• arxiv url: http://arxiv.org/abs/2602.03558v1
• Date: Tue, 03 Feb 2026 14:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.497677
• Title: ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images
• Title（参考訳）: ELIQ:AI生成画像の品質評価のためのラベルフリーフレームワーク
• Authors: Xinyue Li, Zhiming Xu, Zhichao Zhang, Zhaolin Cai, Sijing Wu, Xiongkuo Min, Yitong Chen, Guangtao Zhai,
• Abstract要約: 本稿では,AI生成画像の品質評価のためのラベルフリーフレームワークELIQを提案する。 具体的には、ELIQは視覚的品質と迅速なイメージアライメントに重点を置いている。 従来の歪みとAIGC固有の歪みモードの両方をカバーするために、正とアスペクト固有の負のペアを自動的に構成する。
• 参考スコア（独自算出の注目度）: 76.5101823186747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative text-to-image models are advancing at an unprecedented pace, continuously shifting the perceptual quality ceiling and rendering previously collected labels unreliable for newer generations. To address this, we present ELIQ, a Label-free Framework for Quality Assessment of Evolving AI-generated Images. Specifically, ELIQ focuses on visual quality and prompt-image alignment, automatically constructs positive and aspect-specific negative pairs to cover both conventional distortions and AIGC-specific distortion modes, enabling transferable supervision without human annotations. Building on these pairs, ELIQ adapts a pre-trained multimodal model into a quality-aware critic via instruction tuning and predicts two-dimensional quality using lightweight gated fusion and a Quality Query Transformer. Experiments across multiple benchmarks demonstrate that ELIQ consistently outperforms existing label-free methods, generalizes from AI-generated content (AIGC) to user-generated content (UGC) scenarios without modification, and paves the way for scalable and label-free quality assessment under continuously evolving generative models. The code will be released upon publication.
• Abstract（参考訳）: 生成するテキスト・ツー・イメージモデルは前例のないペースで進化しており、知覚的品質の天井を継続的にシフトさせ、以前の収集されたラベルを新しい世代には信頼できないようにしている。 そこで本稿では,AI生成画像の品質評価のためのラベルフリーフレームワークであるELIQを提案する。 具体的には、ELIQは視覚的品質と即時イメージアライメントに重点を置いており、従来の歪みとAIGC特有の歪みモードの両方をカバーするために、正とアスペクト固有の負のペアを自動構築し、人間のアノテーションなしで転送可能な監視を可能にする。 これらのペアに基づいて、ELIQはトレーニング済みのマルチモーダルモデルを命令チューニングにより品質評価に適応させ、軽量ゲート融合と品質クエリ変換器を用いて2次元品質を予測する。 複数のベンチマークでの実験では、ELIQは既存のラベルなしメソッドを一貫して上回り、AIGCからUGCのシナリオを変更せずに一般化し、継続的に進化する生成モデルの下で、スケーラブルでラベルなしの品質評価の道を開くことが示されている。 コードは公開時に公開される。

関連論文リスト

• AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content [43.82962694838953]
  AIベースの画像強調技術は様々な視覚的応用に広く採用されており、ユーザ生成コンテンツ(UGC)の知覚品質が著しく向上している。 専門品質評価モデルの欠如は、ユーザエクスペリエンスを制限し、拡張手法の進歩を妨げる、この分野において重要な制限要因となっている。 代表的な3種類のAI-UGC画像から4,800個のAI-UGC画像を生成するベンチマークデータセットであるAU-IQAを構築した。 本データセットでは,従来のIQA法や大規模マルチモーダルモデルなど,既存の品質評価モデルについて評価する。
  論文  参考訳（メタデータ） (2025-08-07T03:55:11Z)
• IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models [0.5356944479760104]
  画像品質評価(IQA)モデルを拡散型ジェネレータに統合する手法を提案する。 拡散モデルはIQAモデルの出力と内部アクティベーションの両方から複雑な定性的関係を学習できることを示す。 IQA-Adapterは,画像と品質スコアの暗黙的関係を学習することで,目標品質レベルの生成を条件付ける新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-12-02T18:40:19Z)
• Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models [93.91086467402323]
  Gradient-Regulated Meta-Prompt IQA Framework (GRMP-IQA) は、視覚言語事前学習モデルのCLIPをIQAタスクに効率よく適応させるように設計されている。 GRMP-IQAは、 (i) Meta-Prompt 事前学習モジュールと (ii) Quality-Aware Gradient Regularization の2つのコアモジュールから構成される。
  論文  参考訳（メタデータ） (2024-09-09T07:26:21Z)
• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• Large Multi-modality Model Assisted AI-Generated Image Quality Assessment [53.182136445844904]
  本稿では,AI生成画像品質評価モデル(MA-AGIQA)を提案する。 セマンティックインフォームドガイダンスを使用して意味情報を感知し、慎重に設計されたテキストプロンプトを通してセマンティックベクターを抽出する。 最先端のパフォーマンスを実現し、AI生成画像の品質を評価する上で優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-04-27T02:40:36Z)

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。