PreResQ-R1: Response-Preference Disentangled Ranking-and-Scoring Reinforcement Optimization for Robust Visual Quality Assessment

Wenn wir ein Foto oder ein Video betrachten, beurteilt unser Gehirn sofort dessen Qualität. Wir bemerken, ob die Farben matt sind, ob die Kanten unscharf sind oder ob das Bild körnig aussieht. Dieses instinktive Urteil ist das, was Forscher als visuelle Qualitätsbewertung bezeichnen. Jahrzehntelang hatten Computer Schwierigkeiten, diese menschliche Fähigkeit zu replizieren. Frühe Versuche stützten sich auf starre mathematische Formeln, die Pixelfehler maßen, aber diese konnten oft nicht mit der Art und Weise mithalten, wie Menschen Schönheit und Klarheit tatsächlich wahrnehmen. In jüngerer Zeit haben leistungsstarke Modelle der künstlichen Intelligenz, sogenannte Large Multimodal Models, gelernt, Bilder anzusehen und sie zu beschreiben. Wenn man diese Modelle jedoch bittet, eine spezifische Qualitätsbewertung zuzuweisen, werden sie oft inkonsistent. Wenn man dasselbe Modell zweimal bittet, dasselbe Bild zu bewerten, liefert es möglicherweise zwei sehr unterschiedliche Zahlen, oder seine Begründung widerspricht seinem endgültigen Score. Diese Instabilität macht es schwierig, diesen Systemen für reale Anwendungen zu vertrauen – von der Verbesserung von Smartphone-Kameras bis hin zur Sicherstellung der Qualität von Streaming-Videos.

Ein Team von Forschern der Shanghai Jiao Tong University hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem sie ein System namens PreResQ-R1 erschufen. Anstatt die künstliche Intelligenz dazu zu zwingen, einfach nur eine Zahl zu raten oder blind einer Rangfolge zu folgen, brachten sie dem Modell bei, zwei unterschiedliche Aufgaben zu trennen: die Stabilisierung seiner eigenen Argumentation und die Abstimmung seiner Präferenzen mit dem menschlichen Urteil. Die Forscher fanden heraus, dass die Instabilität in früheren Systemen aus der Tendenz des Modells resultierte, für dasselbe Bild völlig unterschiedliche Erklärungen zu generieren. Um dies zu lösen, entwarfen sie einen Trainingsprozess, der das Modell dafür belohnt, in seiner internen Logik konsistent zu sein und gleichzeitig sicherzustellen, dass seine endgültigen Bewertungen mit dem übereinstimmen, was ein Mensch wahrscheinlich sagen würde. Das System unterteilt die Bewertung eines Bildes in fünf spezifische Teile: wie lebendig die Farben sind, wie viel Rauschen oder Körnung sichtbar ist, wie scharf die Details sind, wie klar das Hauptmotiv ist und wie klar der Hintergrund ist. Durch die Einzelbewertung dieser fünf Aspekte lernt das Modell, ein zuverlässigeres und detaillierteres Bild der Qualität zu erstellen.

Die Forscher testeten diese neue Methode an einer Vielzahl von Bildern und Videos, einschließlich solcher mit natürlichen Verzerrungen wie Unschärfe oder schlechtem Licht sowie solcher, die von anderen Werkzeugen der künstlichen Intelligenz erstellt wurden. Sie fanden heraus, dass ihr System bestehende Methoden deutlich übertraf. Bei Tests mit Standbildern verbesserte das neue Modell die Genauigkeit im Vergleich zu den besten bisherigen Ansätzen um 5,60 Prozent. Bei der Videoqualität, bei der die Herausforderung noch größer ist, da das System Bewegung und Zeit beurteilen muss, verbesserte es die Genauigkeit um 2,53 Prozent. Entscheidend war, dass das Modell nicht nur bessere Zahlen lieferte, sondern auch bessere Erklärungen produzierte. Wenn man ihm ein unscharfes Foto einer Landschaft zeigte, identifizierte das Modell korrekt, dass die Blätter nicht im Fokus waren und der Hintergrund an Details mangelte, anstatt lediglich einen vagen Kommentar darüber abzugeben, dass das Bild „schlecht“ sei. Diese Fähigkeit, eine strukturierte, evidenzbasierte Begründung für seinen Score zu liefern, macht das System weitaus vertrauenswürdiger.

Der Erfolg dieser Arbeit beruht auf einer zweistufigen Trainingsstrategie, die einen Lernprozess nachahmt. Zuerst wird das Modell dazu ermutigt, viele verschiedene Wege der Betrachtung eines Bildes zu erforschen, indem es eine breite Palette möglicher Scores und Gründe generiert. Während dieser Phase bestraft das System Antworten, die zu weit gestreut oder inkonsistent sind, und führt das Modell sanft zu einer stabilen Denkweise. Sobald das Modell einen zuverlässigen internen Rhythmus gefunden hat, konzentriert sich die zweite Stufe auf die Feinabstimmung seiner Präferenzen. Hier vergleicht das System seine Urteile mit menschlichen Bewertungen und lernt, seine Scores anzupassen, damit sie mit der menschlichen Wahrnehmung übereinstimmen. Diese Trennung von „klarem Denken“ und „korrektem Bewerten“ ermöglicht es dem Modell, schwierige Fälle zu handhaben, in denen die Bildqualität subjektiv oder die Verzerrungen komplex sind. Die Forscher weiteten diese Methode auch auf Videos aus, indem sie sowohl den Bewegungsfluss über die Zeit als auch die Details innerhalb einzelner Frames analysierten, ohne jede einzelne Bewegung im Video rekonstruieren zu müssen.

Die Auswirkungen dieser Forschung gehen über das bloße Erzielen eines besseren Scores hinaus. Durch die Schaffung eines Systems, das seine Argumentation in einer Weise erklären kann, die der menschlichen Wahrnehmung entspricht, öffnet diese Technologie die Tür für robustere Anwendungen in digitalen Medien. Es legt nahe, dass der Schlüssel dazu, die künstliche Intelligenz visuelle Qualität verstehen zu lassen, nicht nur darin besteht, sie mit mehr Daten zu füttern, sondern sie zu lehren, in ihrer eigenen Argumentation konsistent zu sein, bevor man sie um ein endgültiges Urteil bittet. Die Studie zeigt, dass ein Modell, wenn es darauf trainiert wird, seine interne Logik zu stabilisieren und diese Logik dann mit der menschlichen Präferenz abzustimmen, ein Maß an Zuverlässigkeit erreichen kann, das zuvor unerreichbar war. Dieser Ansatz bietet einen vielversprechenden Weg nach vorn für die Entwicklung von Werkzeugen, die Bilder automatisch verbessern, Videoinhalte kuratieren und sicherstellen können, dass das, was wir auf unseren Bildschirmen sehen, wirklich der Qualität entspricht, die wir erwarten.