大模型給圖片打分不再“靠嘴說”，結構圖、頻譜圖當“物證”，用“視覺證據”來給圖片打分

多模態大模型在評估圖像品質時，經常出現「看走眼」的情況。一張乾淨的照片與一張經過雜訊添加、壓縮處理或輕微模糊的「退化版本」，對人類而言品質差異顯而易見，但在多模態大模型的「視覺系統」中，這兩張圖幾乎難以區分。因此，模型給出的分數往往流於主觀臆測，而非基於客觀證據的判斷。為了解決這個問題，來自西北工業大學與香港科技大學的研究團隊提出了一項名為「IQA-T1」的新框架。這項技術首次讓多模態大模型在進行圖像品質評估時，能夠像專業檢測員一樣，不再僅依賴「瞥一眼」的直覺，而是主動調用一套專業分析工具，生成雜訊殘差圖、梯度分佈、傅立葉頻譜等結構化的「視覺證據」，並逐步根據這些證據做出判斷。

這項突破的核心在於將評估過程從「憑感覺打分」轉變為「拿證據說話」。研究團隊在七個圖像品質評估基準上進行測試，結果顯示IQA-T1取得了綜合最優的成績，平均皮爾森相關係數（PLCC）與斯皮爾曼等級相關係數（SRCC）達到0.784，同時其評估過程具備可解釋性與可追溯性，讓模型的決策邏輯更加透明。圖像品質評估的目標，是讓機器給出的分數盡可能貼近人類的主觀感受。這項技術是圖像修復、增強、壓縮等一系列視覺任務的關鍵裁判，直接影響視覺系統在真實開放環境中的穩定性與實用性。

然而，現有的多模態大模型在處理這項任務時，往往面臨兩大困境：一是純文字推理容易受到語義偏見的誤導，二是區域裁剪推理只能產出一堆缺乏解釋的圖像區塊，無法提供有說服力的分析依據。IQA-T1的設計思路，正是針對這些痛點進行革新。研究團隊讓模型在評估過程中，先透過工具生成多種專業的視覺證據圖，例如雜訊殘差圖可以凸顯影像中的異常雜訊分佈，梯度分佈圖則能反映邊緣與紋理的清晰度，傅立葉頻譜圖則能揭示影像的頻率特性。這些證據圖就像「物證」一樣，為模型的評分提供了具體且可量化的依據。

舉例來說，當模型面對一張可能經過壓縮的圖片時，它不再只是憑藉過往訓練資料的記憶來猜測分數，而是會先產生一張頻譜圖，觀察高頻成分是否被削減，再結合梯度圖檢查邊緣是否模糊，最後綜合這些證據給出一個合理的品質分數。這種方法不僅提升了評分的準確性，也讓使用者能夠清楚理解模型為何給出某個分數。研究團隊在論文中指出，IQA-T1的表現不僅在標準基準測試中領先，更在跨資料集的泛化測試中展現出優異的穩定性。這意味著該框架能夠適應不同類型的圖像退化情況，而不會因為訓練資料的侷限而產生偏差。這對於實際應用場景，例如社交媒體上的圖片壓縮、監控影像的品質監控，或是醫學影像的清晰度評估，都具有重要的意義。

此外，IQA-T1的評估過程具備高度的可解釋性，這在人工智慧倫理與可信度日益受到重視的今天，顯得尤為關鍵。傳統的黑箱模型往往難以讓人信任其判斷，而IQA-T1透過生成視覺證據，讓模型的決策路徑變得清晰可見，有助於開發者與使用者共同驗證其正確性。目前，這項研究已引起學術界與工業界的廣泛關注。許多專家認為，IQA-T1不僅為圖像品質評估領域開闢了新的研究方向，也為其他需要細緻視覺分析的任務提供了可借鏡的範例。未來，研究團隊計畫進一步最佳化該框架的運算效率，並探索將其應用於影片品質評估、三維模型品質分析等更複雜的場景。總體而言，IQA-T1的出現標誌著多模態大模型在圖像品質評估領域的一次重要躍進。

它讓模型從「憑感覺」的直覺判斷，進化到「看證據」的理性分析，不僅提升了評分的準確性，也為人工智慧系統的可信度與透明度樹立了新的標竿。隨著這項技術的持續發展，未來我們或許能夠期待一個更加可靠、更具解釋力的視覺評估時代的到來。