MR-IQA-2: Faithful Image Quality Reflection via Fine-Grained Credit Assignment
作者: Yuan li, Youyuan Lin, Chenhui Chu, Shin'ya Nishida
分类: cs.CV, cs.AI
发布日期: 2026-08-19
🔗 代码/项目: GITHUB
💡 一句话要点
提出MR-IQA-2以解决图像质量评估中的信实性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 图像质量评估 多模态学习 推理与评分 深度学习 计算机视觉
📋 核心要点
- 现有的图像质量评估方法往往依赖人类评分进行监督，未能有效验证评分的真实性，导致推理过程可能不可靠。
- 本文提出MR-IQA-2框架，通过解耦推理与评分的信用分配，提供更可靠的监督机制，确保推理过程的信实性。
- MR-IQA-2在多个IQA基准测试中表现出色，实现了与人类评分的良好对齐，提升了视觉理解的深度和准确性。
📝 摘要（中文）
多模态大型语言模型（MLLMs）在图像质量评估（IQA）中展现出强大的潜力，但现有方法往往依赖人类评分进行监督，未能有效验证评分是否真实反映图像质量。为提升盲评IQA的信实性和可靠性，本文提出MR-IQA-2框架，通过解耦推理与评分的信用分配，并提供可验证的监督机制。该框架包括演员、编辑和评判者三个模块，演员生成图像质量推理，编辑根据质量因素修正图像，评判者则比较原始与编辑后的图像并提供反馈。MR-IQA-2在多个IQA基准上实现了与人类评分的竞争性对齐，并通过视觉反映促进了更丰富的视觉理解。
🔬 方法详解
问题定义：本文旨在解决现有图像质量评估方法中推理与评分之间的信实性问题。现有方法往往依赖人类评分进行监督，但评分的准确性并不能保证推理的真实反映，可能导致不可靠的结果。
核心思路：MR-IQA-2通过解耦推理与评分的信用分配，提供了可验证的监督机制。该方法设计了演员、编辑和评判者三个模块，分别负责生成推理、修正图像和提供反馈，从而提升推理的信实性。
技术框架：MR-IQA-2框架包括三个主要模块：演员生成图像质量推理，编辑根据质量因素修正图像，评判者比较原始与编辑后的图像并提供反馈。通过这种结构，框架实现了推理、编辑和反思的有效结合。
关键创新：MR-IQA-2的核心创新在于细粒度的信用分配机制，解耦了推理与评分的监督来源。评判者的反馈专注于推理，而人类评分则用于监督预测评分，这种设计避免了错误的信号干扰。
关键设计：在技术细节上，MR-IQA-2采用了掩码特定的更新策略，以区分推理与评分的信号，同时保持推理与评分之间的因果关系。此外，框架的损失函数设计也确保了推理的准确性与评分的一致性。
🖼️ 关键图片
📊 实验亮点
在多个图像质量评估基准测试中，MR-IQA-2实现了与人类评分的竞争性对齐，展现出显著的性能提升。具体而言，该方法在评分一致性上达到了新的高度，提升幅度明显，验证了其在信实性和可靠性方面的优势。
🎯 应用场景
MR-IQA-2的研究成果在图像质量优化、计算机视觉和相关下游任务中具有广泛的应用潜力。通过提供更可靠的图像质量评估，能够帮助提升图像处理技术的效果，促进智能图像分析和自动化系统的发展。
📄 摘要（原文）
Multimodal large language models (MLLMs) have shown strong potential for image quality assessment (IQA) by improving consistency between quality ratings and their underlying reasoning. However, most approaches supervise reasoning through human-provided ratings and rarely examine whether it faithfully reflects image quality. Rating accuracy alone does not ensure faithful reasoning; a shared reward also obscures supervision sources and may reinforce unfaithful reasoning when a correct rating occurs by chance. To improve the faithfulness and reliability of blind IQA, we aim to (1) decouple credit assignment for reasoning and rating and (2) provide verifiable supervision for faithful reasoning. We introduce MR-IQA-2, an actor-editor-judge framework that operationalizes reasoning-editing-reflection. The actor generates quality reasoning for an input image, and the editor revises the image according to the identified quality factors. A frozen judge compares the original and edited images and provides reflective supervision for the actor's reasoning. MR-IQA-2 further uses fine-grained credit assignment to decouple reasoning and rating supervision. Judge feedback supervises reasoning, whereas human ratings supervise the predicted rating. Masked token-specific updates distinguish these signals while preserving the causal relation from reasoning to rating. Across IQA benchmarks, MR-IQA-2 achieves competitive rating alignment with humans. Visual reflection also enables richer and more faithful visual understanding beyond rating, which may inform image-quality optimization and related downstream tasks. Code is available at https://github.com/RobinY99/MR-IQA-2.