arXiv cs.AI· Jirong Zha, Yanwei Liao, Yemin Wang, Xiangmin Yi, Siqi Peng, Yingfeng Chen, Chen Gao, Xinlei Chen·· 12 小时前AI 评分31
Task-Utility IQA：具身任务中的图像质量评估应转向任务效用判断
Task-Utility IQA: Rethinking Image Quality Assessment in Embodied Tasks
AI 导读
研究提出 Task-Utility IQA，主张图像质量评估应从任务无关的分数回归转向由具身任务效用定义的目标条件判断，并给出基于 MLLM 的具身 IQA 智能体框架。在 VisDrone 上的小型证据研究表明，传统感知指标与通用 MLLM 的 IQA 分数难以预测下游 VLM 任务成功，而任务条件化的效用分数预测效果更好。
正文 · AI 翻译
摘要：图像质量评估（IQA）通过判断视觉质量是否满足下游任务，为具身成像流程提供支撑，然而现有大多数方法学习的是与静态基准上通用人类评分对齐的任务无关分数。这一目标与具身和交互式场景不匹配，在这些场景中，图像是否充分取决于任务目标、上下文以及塑造智能体决策的动作要求。我们认为，IQA 应从分数回归转向由具身任务效用定义的目标条件判断。为此，我们提出了一种基于 MLLM 的具身 IQA 智能体框架，该框架能够推理任务需求、为质量证据提供依据，并生成面向决策的评估。一项小规模 VisDrone 证据研究表明，传统感知指标和基于通用 MLLM 的 IQA 分数是下游 VLM 任务成功与否的弱代理，而任务条件效用分数能更好地预测视觉输入是否支持目标任务。这些发现支持将 IQA 重新定位为面向任务效用，以服务于具身、可解释且具备决策意识的视觉感知。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.35905 [cs.CV] |
| （或 arXiv:2610.35905v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35905 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jirong Zha [查看邮箱]
[v1]
2026年9月30日星期三 03:27:47 UTC（8,990 KB）
来源：arXiv cs.AI · arxiv.org