EvoQuality – 字節跳動開源的圖像質量評估模型

EvoQuality是什麼

EvoQuality 是字節跳動與香港城市大學聯合推出的自進化視覺語言模型框架，專注於無參考圖像質量評估。模型基於 Qwen2.5-VL-7B 構建，模型完全無需人工標註的質量分數或失真標籤，通過模型自身的成對比較與多數投票生成僞排名標籤，再藉助 GRPO 強化學習算法實現多輪迭代自進化。

EvoQuality的主要功能

• 單圖質量評分：對單張圖像輸出連續質量分數，支持多種失真類型，包含真實失真、合成失真、AI生成失真。
• 圖像對質量對比：通過成對比較判斷兩張圖像的相對質量優劣，生成可解釋的質量描述文本。
• 自進化迭代訓練：在離線階段通過多數投票生成高置信度僞標籤，在線階段通過 GRPO 優化策略，形成閉環自我提升。

EvoQuality的技術原理

• 離線僞標籤生成：對未標註圖像對進行多次查詢，讓當前 VLM 判斷”哪張圖像質量更好”。通過成對多數投票（Pairwise Majority Voting）建立相對質量共識，生成僞排名標籤，完全替代人工 MOS 標註。用 Thurstone Case V 心理測量模型將離散比較結果轉化爲連續的質量分數分佈，生成可優化的保真度獎勵信號。
• 在線策略進化：用 GRPO 算法將僞標籤轉化爲獎勵信號，更新 VLM 策略。通過組內樣本的相對獎勵估計優勢函數，大幅降低訓練內存與計算開銷。策略模型針對同一批圖像對生成多個回答，根據僞標籤計算的獎勵進行梯度更新。
• 迭代進化機制：多輪迭代形成正反饋，模型能力提升 → 生成更高質量僞標籤 → 模型進一步進化。實驗表明零樣本 PLCC 平均提升 31.8%。

如何使用EvoQuality

• 環境準備：安裝 Python 3.8+ 及 PyTorch、Transformers 等依賴庫，確保 GPU 環境可用。
• 模型加載：從 Hugging Face 拉取 ByteDance/EvoQuality 的模型權重與處理器文件到本地。
• 單圖質量評分：讀取待評估圖像，構造提示詞如”Please rate the quality of this image from 0 to 100.”並輸入模型。模型輸出連續質量分數及結構化的質量缺陷/優勢描述文本。
• 圖像對質量對比：準備兩張待對比圖像，構造提示詞如”Which image has better quality? Explain why.”並輸入模型。
• 批量評估：對圖像數據集進行批量推理，結合多次查詢的多數投票機制生成高置信度僞標籤。
• 自進化訓練（進階）：用生成的僞標籤通過 GRPO 算法微調模型，啓動新一輪迭代進化持續提升評估精度。

EvoQuality的核心優勢

• 零標註成本：完全無需人工主觀評分或失真標籤，僅通過模型自身成對比較與多數投票即可生成訓練信號。
• 性能超越監督模型：在 7 個 IQA 基準中的 5 個上超越當前最先進的監督 VLM-based IQA 方法，零樣本 PLCC 平均提升 31.8%。
• 自進化閉環能力：通過多輪迭代形成生成僞標籤→訓練模型→模型更強→生成更好標籤的正反饋循環，持續突破性能上限。
• 跨數據集強泛化：天然支持零樣本跨域評估，無需針對新數據集重新對齊感知尺度或重新訓練。

EvoQuality的項目地址

• HuggingFace模型庫：https://huggingface.co/ByteDance/EvoQuality
• arXiv技術論文：https://arxiv.org/pdf/2509.25787

EvoQuality的同類競品對比

EvoQuality的應用場景

•  AIGC 內容質檢：自動評估文生圖、圖像超分辨率、老照片修復等 AI 生成內容的感知質量，替代人工審覈，降低內容平台運營成本。
• 圖像壓縮與傳輸優化：實時評估壓縮後圖像質量，在帶寬與畫質之間尋找最優平衡點，適用於視頻流媒體、雲存儲等場景。
• 手機攝影輔助：實時分析取景畫面質量，指導用戶調整對焦、曝光、構圖參數，或自動篩選連拍中的最佳成像。
• 視頻質量評估：將單幀評估擴展至時序維度，分析動態模糊、幀間一致性、碼率波動對觀感的影響，用於視頻編碼與傳輸質量監控。