論文の概要: IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2607.12375v1
• Date: Tue, 14 Jul 2026 05:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.044851
• Title: IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality Assessment
• Title（参考訳）: IQA-T1:画像品質評価のためのツールベースのビジュアルエビデンス推論
• Abstract要約: ツールベースの視覚的エビデンス推論フレームワークであるIQA-T1を提案する。 推論の間、モデルは、構造化された視覚的証拠を生成するための特殊な分析ツールを自律的に呼び出す。 実験によると、IQA-T1はデータセット全体で最高の全体的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 59.83941105390897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image Quality Assessment (IQA) in open-world environments remains challenging due to limited generalization and interpretability. Recent approaches based on multimodal large language models (MLLMs) introduce textual reasoning for quality prediction, yet their judgments rely heavily on semantically biased internal representations, making them insensitive to low-level perceptual degradations. We propose IQA-T1, a tool-based visual evidence reasoning framework that augments MLLM reasoning with explicit perceptual observations. During inference, the model autonomously invokes specialized analysis tools to generate structured visual evidence, such as noise residual maps, gradient statistics, and frequency spectra, which are progressively integrated into the reasoning process. To support this paradigm, we construct Q-Tool, a dataset containing 11k multimodal reasoning chains grounded in tool-generated evidence. Extensive experiments on seven IQA benchmarks show that IQA-T1 achieves the best overall performance across datasets while producing interpretable and evidence-grounded quality assessments. Code and dataset are available at https://github.com/zibuyu-02/IQA-T1.
• Abstract（参考訳）: オープンワールド環境における画像品質評価(IQA)は、一般化と解釈可能性の制限により依然として困難である。 近年のMLLM(Multimodal large language model)に基づくアプローチでは、品質予測のためのテキスト推論が導入されているが、その判断は意味的に偏りのある内部表現に大きく依存しており、低レベルの知覚的劣化には敏感である。 ツールベースの視覚的エビデンス推論フレームワークであるIQA-T1を提案する。 推測中、モデルは、ノイズ残差マップ、勾配統計、周波数スペクトルなどの構造化された視覚的証拠を生成するための特殊な分析ツールを自律的に実行し、徐々に推論プロセスに統合される。 このパラダイムをサポートするために,ツール生成エビデンスに基づく11kのマルチモーダル推論チェーンを含むデータセットであるQ-Toolを構築した。 7つのIQAベンチマークの大規模な実験により、IQA-T1は、解釈可能な、エビデンスに基づく品質評価を生成しながら、データセット全体で最高の全体的なパフォーマンスを達成することが示された。 コードとデータセットはhttps://github.com/zibuyu-02/IQA-T1.comで公開されている。

関連論文リスト

• Zoom-IQA: Image Quality Assessment with Reliable Region-Aware Reasoning [32.30800226412995]
  VLMに基づくIQAモデルであるZoom-IQAを導入し、重要な認知行動を明確にエミュレートする。 Zoom-IQAは、堅牢性、説明可能性、一般化の向上を実現する。 画像復元などの下流タスクへの応用は、Zoom-IQAの有効性をさらに示している。
  論文  参考訳（メタデータ） (2026-01-06T11:00:17Z)
• AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
  画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。 本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T09:37:01Z)
• Q-Insight: Understanding Image Quality via Visual Reinforcement Learning [27.26829134776367]
  画像品質評価(IQA)は、画像の知覚的視覚的品質に焦点を当て、画像再構成、圧縮、生成などの下流タスクにおいて重要な役割を果たす。 グループ相対ポリシー最適化(GRPO)に基づく強化学習に基づくモデルQ-Insightを提案する。 評価結果から,Q-Insightは,評価結果の回帰と劣化知覚の両面において,既存の最先端手法を大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-28T17:59:54Z)
• 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)
• 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)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Blind Multimodal Quality Assessment: A Brief Survey and A Case Study of Low-light Images [73.27643795557778]
  ブラインド画像品質評価(BIQA)は、視覚信号の客観的スコアを自動的に正確に予測することを目的としている。 この分野での最近の発展は、ヒトの主観的評価パターンと矛盾しない一助的解によって支配されている。 主観的評価から客観的スコアへの低照度画像の一意なブラインドマルチモーダル品質評価(BMQA)を提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:04:55Z)
• Image Quality Assessment: Integrating Model-Centric and Data-Centric Approaches [20.931709027443706]
  画像品質評価(IQA)は過去10年間で著しく進歩している。 ほぼ全員が、モデルとデータという2つの重要なコンポーネントを独立して考えています。
  論文  参考訳（メタデータ） (2022-07-29T16:23:57Z)

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。