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

Cuando miramos una fotografía o un video, nuestro cerebro juzga instantáneamente su calidad. Notamos si los colores son apagados, si los bordes están borrosos o si la imagen se ve granulada. Este juicio instintivo es lo que los investigadores llaman evaluación de la calidad visual. Durante décadas, las computadoras han luchado por replicar esta capacidad humana. Los primeros intentos dependieron de fórmulas matemáticas rígidas que medían errores de píxeles, pero estos a menudo fallaban al intentar coincidir con cómo las personas realmente perciben la belleza y la claridad. Más recientemente, poderosos modelos de inteligencia artificial conocidos como modelos multimodales grandes han sido entrenados para mirar imágenes y describirlas. Sin embargo, cuando se les pide a estos modelos que asignen una puntuación de calidad específica, suelen volverse inconsistentes. Si le pides al mismo modelo que califique la misma foto dos veces, podría dar dos números muy diferentes, o su razonamiento podría contradecir su puntuación final. Esta inestabilidad dificulta la confianza en estos sistemas para aplicaciones del mundo real, desde la mejora de las cámaras de los teléfonos inteligentes hasta la garantía de la calidad de los videos en streaming.

Un equipo de investigadores de la Universidad Jiao Tong de Shanghái ha desarrollado un nuevo enfoque para solucionar este problema, creando un sistema que llaman PreResQ-R1. En lugar de obligar a la inteligencia artificial a simplemente adivinar un número o seguir ciegamente un ranking, le enseñaron al modelo a separar dos tareas distintas: estabilizar su propio razonamiento y alinear sus preferencias con el juicio humano. Los investigadores descubrieron que la inestabilidad en los sistemas anteriores provenía de la tendencia del modelo a generar explicaciones notablemente diferentes para la misma imagen. Para resolver esto, diseñaron un proceso de entrenamiento que recompensa al modelo por ser consistente en su lógica interna y, al mismo tiempo, asegura que sus puntuaciones finales coincidan con lo que un humano probablemente diría. El sistema desglosa la evaluación de una imagen en cinco partes específicas: qué tan vívidos son los colores, cuánto ruido o grano es visible, qué tan nítidos son los detalles, qué tan claro es el sujeto principal y qué tan claro es el fondo. Al evaluar estos cinco aspectos individualmente antes de combinarlos, el modelo aprende a construir una imagen de calidad más confiable y detallada.

Los investigadores probaron este nuevo método en una amplia variedad de imágenes y videos, incluyendo aquellos con distorsiones naturales como desenfoque o baja luz, así como aquellos creados por otras herramientas de inteligencia artificial. Encontraron que su sistema superó significamente a los métodos existentes. En pruebas que involucraban imágenes estáticas, el nuevo modelo mejoró la precisión en un 5.60 por ciento en comparación con los mejores enfoques previos. Para la calidad de video, donde el desafío es aún mayor porque el sistema debe juzgar el movimiento y el tiempo, mejoró la precisión en un 2.53 por ciento. Crucialmente, el modelo no solo produjo mejores números; produjo mejores explicaciones. Al mostrarle una foto borrosa de un paisaje, el modelo identificó correctamente que las hojas estaban fuera de foco y que el fondo carecía de detalle, en lugar de solo dar un comentario vago sobre que la imagen era "mala". Esta capacidad de proporcionar una razón estructurada y basada en evidencia para su puntuación hace que el sistema sea mucho más confiable.

El éxito de este trabajo se basa en una estrategia de entrenamiento de dos etapas que imita un proceso de aprendizaje. Primero, se incentiva al modelo a explorar muchas formas diferentes de mirar una imagen, generando una amplia gama de posibles puntuaciones y razones. Durante esta fase, el sistema penaliza las respuestas que son demasiado dispersas o inconsistentes, guiando suavemente al modelo hacia una forma de pensar estable. Una vez que el modelo ha encontrado un ritmo interno confiable, la segunda etapa se enfoca en ajustar sus preferencias. Aquí, el sistema compara sus juicios contra las calificaciones humanas, aprendiendo a ajustar sus puntuaciones para que se alineen con la percepción humana. Esta separación de "pensar claramente" de "calificar correctamente" permite al modelo manejar casos difíciles donde la calidad de la imagen es subjetiva o las distorsiones son complejas. Los investigadores también extendieron este método al video mediante el análisis tanto del flujo de movimiento a través del tiempo como de los detalles dentro de los fotogramas individuales, sin necesidad de reconstruir cada movimiento en el video.

Las implicaciones de esta investigación se extienden más allá de obtener una mejor puntuación. Al crear un sistema que puede explicar su razonamiento de una manera que coincida con la percepción humana, la tecnología abre la puerta a aplicaciones más robustas en los medios digitales. Sugiere que la clave para hacer que la inteligencia artificial entienda la calidad visual no es solo alimentarla con más datos, sino enseñarle a ser consistente en su propio razonamiento antes de pedirle que emita un juicio final. El estudio demuestra que cuando un modelo es entrenado para estabilizar su lógica interna y luego alinear esa lógica con la preferencia humana, puede lograr un nivel de confiabilidad que antes era inalcanzable. Este enfoque ofrece un camino prometedor para el desarrollo de herramientas que puedan mejorar automáticamente las imágenes, curar contenido de video y asegurar que lo que vemos en nuestras pantallas realmente refleje la calidad que esperamos.