DroneIQA-VLE: Multi-Task Drone Image Quality Assessment via Vision-Language Ensemble

📄 arXiv: 2607.00416v1 📥 PDF

作者: Wei Sun, Weixia Zhang, Hongjian Zhan, Mingkai Lu, Yixuan Gao, Guangtao Zhai

分类: cs.CV

发布日期: 2026-07-01

备注: The model achieves 2nd place in ICME 2026 Drone-IQA Grand Challenge on Target-aware Image Quality Assessment for Low-altitude UAV Images

🔗 代码/项目: GITHUB

💡 一句话要点

提出DroneIQA-VLE以解决低空无人机图像质量评估问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无人机图像质量评估 多任务学习 视觉编码 多模态模型 目标感知 图像处理

📋 核心要点

  1. 现有的无人机图像质量评估方法在处理目标感知和背景质量时存在不足，难以全面评估低空图像的质量。
  2. 论文提出的DroneIQA-VLE框架通过结合视觉编码器和多模态语言模型，能够同时预测多种质量分数，提升评估的准确性。
  3. 该方法在ICME 2026无人机图像质量评估大赛中获得第二名，证明了其在实际应用中的有效性和优势。

📝 摘要（中文）

我们提出了DroneIQA-VLE，这是针对ICME 2026无人机图像质量评估大赛的解决方案，旨在对低空无人机图像进行目标感知的质量评估。该框架通过集成两条互补的管道，联合预测全局、目标和背景质量分数：一是使用多任务回归头的SigLIP2视觉编码器，二是使用LoRA适配的Qwen3.5-9B多模态大语言模型进行质量分数回归。最终的全局质量预测通过对两条管道的输出进行算术平均获得。我们的方法在挑战中获得第二名，展示了其有效性。代码可在https://github.com/sunwei925/DroneIQA-VLE获取。

🔬 方法详解

问题定义：本论文旨在解决低空无人机图像的目标感知质量评估问题。现有方法往往无法同时考虑图像的全局质量、目标质量和背景质量，导致评估结果不够全面和准确。

核心思路：论文的核心思路是通过集成两条互补的管道，利用视觉编码器和多模态语言模型的优势，联合预测不同类型的质量分数。这种设计能够更全面地捕捉图像的质量特征。

技术框架：整体架构包括两个主要模块：一是SigLIP2视觉编码器，配备多任务回归头，负责提取图像特征并进行质量评分；二是LoRA适配的Qwen3.5-9B多模态语言模型，负责对质量分数进行回归。最终的全局质量预测通过对两条管道的输出进行算术平均获得。

关键创新：最重要的技术创新在于将视觉编码和语言模型相结合，形成了一种新的多任务学习框架。这种方法与传统的单一模型评估方法相比，能够更好地处理多样化的质量评估任务。

关键设计：在参数设置上，采用了适应性学习率和多任务损失函数，以优化模型的训练效果。网络结构方面，SigLIP2视觉编码器经过精心设计，以确保能够有效提取图像特征，同时Qwen3.5-9B模型的LoRA适配使其在多模态任务中表现出色。

🖼️ 关键图片

img_0
img_1

📊 实验亮点

在ICME 2026无人机图像质量评估大赛中，DroneIQA-VLE方法获得第二名，显示出其在质量评估上的有效性。与基线方法相比，该方法在全局质量预测上实现了显著提升，具体性能数据未公开，但结果表明其具有较强的竞争力。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在无人机监控、环境监测和农业管理等领域。通过准确评估无人机拍摄图像的质量，可以提高数据分析的可靠性，进而优化决策过程。未来，该技术还可能扩展到其他领域，如自动驾驶和智能城市建设。

📄 摘要（原文）

We present DroneIQA-VLE, our solution to the ICME 2026 Drone-IQA Grand Challenge on Target-aware Image Quality Assessment for Low-altitude UAV Images. The framework jointly predicts global, target, and background quality scores by ensembling two complementary pipelines: (1) SigLIP2 vision encoders with multi-task regression heads, and (2) a LoRA-adapted Qwen3.5-9B multimodal large language model for quality score regression. The final global quality prediction is obtained by arithmetically averaging the outputs of both pipelines. Our method achieves 2nd place in the challenge, demonstrating its effectiveness. The code is available at https://github.com/sunwei925/DroneIQA-VLE.