論文の概要: VGIQA: Fine-Grained Image Quality Assessment with Visual Grounding Rewards

• arxiv url: http://arxiv.org/abs/2610.37186v1
• Date: Tue, 27 Oct 2026 13:09:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.631536
• Title: VGIQA: Fine-Grained Image Quality Assessment with Visual Grounding Rewards
• Title（参考訳）: VGIQA:ビジュアルグラウンド・リワードによる微細画像品質評価
• Abstract要約: ローカルおよびグローバルな品質評価機能を備えた新しいIQAモデルであるVGIQAを提案する。 VGIQAは、冷間開始フェーズと強化学習を含む2段階のパラダイムで訓練される。 VGSR-2Kは局所的な品質評価に特化して提案する新しいデータセットである。
• 参考スコア（独自算出の注目度）: 38.703918547040864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image quality assessment (IQA) aims to evaluate the perceptual visual quality of images. Recently, the rapid development of Multi-modal Large Language Models (MLLMs) has significantly advanced the IQA field. By integrating chain-of-thought (CoT) reasoning and reinforcement learning (RL), these models can generate more accurate and interpretable results while relying on less training data. However, existing MLLM-based methods are predominantly constrained to holistic, image-level evaluations and lack the capability to produce fine-grained, localized assessments, which substantially limits their practical applicability. To address this limitation, we propose VGIQA, a novel IQA model endowed with both local and global quality assessment capabilities. VGIQA is trained via a two-stage paradigm comprising a cold-start phase followed by reinforcement learning. Driven by carefully designed local quality assessment reward functions, our model exhibits exceptional image quality understanding on VGSR-2K, a new dataset we propose specifically for local quality evaluation, significantly outperforming existing open-source MLLMs such as Qwen2.5-VL-72B-Instruct and Qwen3-VL-32B-Instruct. Furthermore, the local quality evaluation task can effectively enhance the model's performance on the degradation perception task.
• Abstract（参考訳）: 画像品質評価(IQA)は、画像の視覚的品質を評価することを目的としている。 近年,Multi-modal Large Language Models (MLLM) の急速な開発がIQA分野を著しく進歩させている。 チェーン・オブ・ソート(CoT)推論と強化学習(RL)を統合することで、これらのモデルはより正確で解釈可能な結果を生成すると同時に、少ないトレーニングデータに依存することができる。 しかし、既存のMLLMベースの手法は、概略的、画像レベルの評価に主に制約されており、より微細で局所的な評価を行う能力が欠如しており、実用性を大幅に制限している。 この制限に対処するため,ローカルおよびグローバルな品質評価機能を備えた新しいIQAモデルであるVGIQAを提案する。 VGIQAは、冷間開始フェーズと強化学習を含む2段階のパラダイムで訓練される。 局所的品質評価報酬関数を念頭に設計し,VGSR-2Kの異常な画質理解を示す。これは局所的品質評価に特化して提案する新しいデータセットで,Qwen2.5-VL-72B-InstructやQwen3-VL-32B-Instructといった既存のオープンソースMLLMを著しく上回っている。 さらに、局所品質評価タスクは、劣化知覚タスクにおけるモデルの性能を効果的に向上させることができる。

関連論文リスト

• Multi-Granularity Reasoning for Image Quality Assessment via Attribute-Aware Reinforcement Learning to Rank [12.385224959925523]
  我々はRL2Rを拡張した多粒度推論フレームワークMG-IQA(Multi-Granularity IQA)を提案する。 提案手法は,(1)VLMから構造化された多属性推論を引き出す属性認識促進戦略,(2)グループ相対的政策最適化のための属性固有忠実報酬を計算する多次元サーストン報酬モデル,(3)合成歪み,真の歪み,AI生成画像データセットを知覚的スケールの調整なしに安定な共同トレーニングを可能にするクロスドメインアライメント機構,の3つの重要なイノベーションを紹介する。
  論文  参考訳（メタデータ） (2026-04-07T16:07:55Z)
• Decoupling Perception and Calibration: Label-Efficient Image Quality Assessment Framework [78.58395822978271]
  LEAFはラベル効率の良い画像品質評価フレームワークである。 MLLM教師の知覚的品質の先行を軽量な学生回帰器に蒸留する。 提案手法は,強いMOS対応相関を維持しつつ,人間のアノテーションの必要性を著しく低減する。
  論文  参考訳（メタデータ） (2026-01-28T15:15:17Z)
• Enhancing Image Quality Assessment Ability of LMMs via Retrieval-Augmented Generation [102.10193318526137]
  大規模マルチモーダルモデル(LMM)は近年,低レベルの視覚知覚タスクにおいて顕著な将来性を示している。 我々は,LMMの画像品質評価(IQA)能力を向上させるトレーニングフリーフレームワークであるIQARAGを紹介する。 IQARAGはRetrieval-Augmented Generation (RAG)を利用して、意味論的に類似しているが品質の異なる参照画像と対応する平均オピニオンスコア(MOS)を入力画像として取得する。
  論文  参考訳（メタデータ） (2026-01-13T08:00:02Z)
• Refine-IQA: Multi-Stage Reinforcement Finetuning for Perceptual Image Quality Assessment [22.184690568393126]
  強化微調整(Reinforcement fine-tuning, RFT)は、LMMトレーニングのパラダイムである。 マルチステージ RFT IQA フレームワーク (-IQA) を提案する。 結果のRefine-IQAシリーズモデルは、知覚とスコアリングの両方で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-04T22:46:10Z)
• 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)
• Q-Ground: Image Quality Grounding with Large Multi-modality Models [61.72022069880346]
  Q-Groundは、大規模な視覚的品質グラウンドに取り組むための最初のフレームワークである。 Q-Groundは、大規模なマルチモダリティモデルと詳細な視覚的品質分析を組み合わせる。 コントリビューションの中心は、QGround-100Kデータセットの導入です。
  論文  参考訳（メタデータ） (2024-07-24T06:42:46Z)
• 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)

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。