摘要
本文提出 IQA-Spider，首个基于大型多模态模型（LMM）的统一框架，将推理、定位和指代融合以实现多粒度图像质量理解。针对现有方法感知维度单一的问题，作者构建了涵盖全局/局部描述、像素级定位及区域指代的四任务范式，并开发了配套数据集。该方法采用无冲突两阶段设计：首先增强细粒度文本推理能力，随后引入免训练的文到点定位机制，通过映射 token logits 至空间坐标桥接语义与像素感知。实验表明该框架在多个基准上表现优异，实现了可解释的统一多粒度图像质量评估。
AI 推荐理由
论文核心在于利用 LMM 进行多粒度图像质量推理与解释，推理是关键组件。
研究机构
Equal contribution
University of Science and Technology of China, Hefei, China
Correspondence to: Xin Li , Zhibo Chen
论文信息