通过使用 2AFC 提示，评估了大型多模态模型（LMMs）的图像质量评估（IQA）能力，并引入了三个评估标准，结果显示现有的 LMMs 在粗粒度的质量比较上表现出较高的 IQA 能力，但在细粒度的质量判别方面仍有提升空间。

Feb, 2024

本研究提出了 Co-Instruct 方法来在开放式比较设置中进一步提升视觉质量比较，通过收集数据集和建立多图像比较的基准，证明了 Co-Instruct 在图像质量评估方面的优越性。

Feb, 2024

通过对多模态大语言模型（MLLMs）在图像质量评估（IQA）中的应用进行综合系统的研究和探索，发现仅有关闭源 GPT-4V 能够合理地描述人类对图像质量的感知，但在细粒度的质量变化（如颜色差异）和多图像的视觉质量比较等任务上较为薄弱。

Mar, 2024

介绍了一种名为 DepictQA 的图像质量评估方法，利用多模式大型语言模型（MLLMs）进行详细的、基于语言的、类似人类的图像质量评估，相比传统基于分数的方法，DepictQA 可以描述性地解释图像内容和失真，并与人类的推理过程密切相关，通过建立分层任务框架并收集名为 M-BAPPS 的多模式 IQA 训练数据集来构建 DepictQA 模型，利用多源训练数据和专业图像标签来处理有限的训练数据和处理多个图像的挑战，DepictQA 在 BAPPS 基准测试中表现更好，更能生成准确的推理描述语言，研究结果表明基于语言的 IQA 方法有潜力根据个体偏好进行定制，数据集和代码将公开发布。

Dec, 2023

通过模拟人类评级中的主观过程并使用文本定义的等级来教授大型多模态模型，该方法在图像质量评估、图像美学评估和视频质量评估任务上实现了最先进的性能，并提出了将这三个任务统一到一个模型中的 OneAlign 模型。

Dec, 2023

现代无参考图像质量评估（NR-IQA）模型可以有效量化感知图像质量，在固定测试集上模型预测与人类感知评分之间存在高相关性。然而，在从感知优化的角度比较 NR-IQA 模型方面几乎没有取得进展。本文首次证明 NR-IQA 模型可以被插入到最大后验估计（MAP）框架用于图像增强，通过在可微且双射的扩散隐变量而不是原始像素域中进行梯度运算。不同的 NR-IQA 模型可能导致不同的增强图像，最终需要经过感知测试。这为在合成分析框架内比较 NR-IQA 模型提供了一种新的计算方法。与传统基于相关性的度量方法相比，我们的方法在感知优化的背景下提供了互补的洞察力，用于评估竞争的 NR-IQA 模型的相对优点和缺陷。

Mar, 2024

本文介绍了一种利用大规模图像数据库和学习排名算法的无意见学习盲图像质量评估模型的方法，并成功提出了新的质量推断指数 dipIQ 和 dilIQ。在四个基准图像质量数据库上的实验证明，dipIQ 在精度和鲁棒性方面的优势，相较于现有方法已达到了最佳水平。

Apr, 2019

基于 Depicted Image Quality Assessment in the Wild (DepictQA-Wild) 方法构建了一个多功能的图像质量评估任务范式，包括评估和比较任务，从而构建了一个全面、大规模且高质量的数据集 DQ-495K，结果显示 DepictQA-Wild 在失真识别、即时评分和推理任务中明显优于传统基于分数的方法、之前的基于 Vision Language Models 的图像质量评估模型和专有的 GPT-4V。

May, 2024

探索大型多模态模型在视觉质量评估方面的能力并提出了第一个用于广谱图像主观质量评估的 LMM，VisualCritic。

Mar, 2024

该文章介绍了一种基于多模式提示的创新图像质量评估方法，通过精心设计的提示，从视觉和语言数据中挖掘增量语义信息，在不同数据集上展现出竞争性能，达到了鲁棒性和准确性的提升。

Apr, 2024