arXiv cs.AI· Chuanzhi Xu, Chengkun Yue, Haolan Guo, Xuanhua Yin, Boyu Wei, Zihan Deng, Qiang Qu, Weidong Cai·· 13 小时前AI 评分23
MetaRefine：用多级特征与图像几何信息做评分精修
MetaRefine: Score Refinement with Multi-Level Features for Image Assessment
AI 导读
MetaRefine 是一种元数据感知的评分精修架构，通过轻量残差头结合图像几何信息、多级视觉特征与冻结模型的原始分数预测评分修正，不改变原有评分流程。在 21 个数据集、100 种配置上，它使 88 种配置的 PLCC 和 85 种的 SRCC 提升，平均相对增益分别为 7.55% 和 7.10%，MAE 与 RMSE 平均相对降低 23.27% 和 21.93%。
正文 · AI 翻译
摘要：图像的原始尺寸、宽高比和构图提供了重要线索，可影响其技术和美学质量。图像评估方法使用调整大小、裁剪、填充或图像块采样来适应不同的输入尺寸。然而，这些操作可能改变或掩盖原始的几何与构图线索。现有评估模型还编码了丰富的多级视觉证据，可进一步提取和利用以改进现有模型。这促使我们将视觉证据与原始图像几何信息相结合，用于分数细化，而不改变原始评分流程。本文提出 MetaRefine，一种元数据感知的分数细化架构，其轻量级残差头从几何信息、多级视觉特征和冻结模型的原始分数中预测分数修正。在 21 个数据集上的 100 种配置中，MetaRefine 在 88 种配置中提升了 PLCC，在 85 种配置中提升了 SRCC，平均相对增益分别为 7.55% 和 7.10%。它在 90 种配置中降低了 MAE，在 89 种配置中降低了 RMSE，平均相对降低分别为 23.27% 和 21.93%。参数开销中位数仅为 1.11%。MetaRefine 可在多个基准上进一步提升最先进（SOTA）评估模型。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40487 [cs.CV] |
| （或 arXiv:2610.40487v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40487 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chuanzhi Xu [查看电子邮件]
[v1]
2026年10月29日星期四 17:15:30 UTC（3,503 KB）
来源：arXiv cs.AI · arxiv.org