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

Quando olhamos para uma fotografia ou um vídeo, nossos cérebros julgam instantaneamente sua qualidade. Percebemos se as cores estão opacas, se as bordas estão borradas ou se a imagem parece granulada. Esse julgamento instintivo é o que os pesquisadores chamam de avaliação de qualidade visual. Por décadas, os computadores lutaram para replicar essa habilidade humana. As tentativas iniciais baseavam-se em fórmulas matemáticas rígidas que mediam erros de pixels, mas estas muitas vezes falhavam em corresponder a como as pessoas realmente percebem beleza e clareza. Mais recentemente, poderosos modelos de inteligência artificial conhecidos como modelos multimodais de grande escala foram treinados para olhar para imagens e descrevê-las. No entanto, quando esses modelos são solicitados a atribuir uma pontuação de qualidade específica, eles frequentemente se tornam inconsistentes. Se você pedir ao mesmo modelo para avaliar a mesma foto duas vezes, ele pode dar dois números muito diferentes, ou seu raciocínio pode contradizer sua pontuação final. Essa instabilidade torna difícil confiar nesses sistemas para aplicações do mundo real, desde a melhoria de câmeras de smartphones até a garantia da qualidade de vídeos de streaming.

Uma equipe de pesquisadores da Universidade Jiao Tong de Xangai desenvolveu uma nova abordagem para corrigir esse problema, criando um sistema que chamam de PreResQ-R1. Em vez de forçar a inteligência artificial a simplesmente adivinhar um número ou seguir cegamente um ranking, eles ensinaram o modelo a separar duas tarefas distintas: estabilizar seu próprio raciocínio e alinhar suas preferências com o julgamento humano. Os pesquisadores descobriram que a instabilidade nos sistemas anteriores vinha da tendência do modelo de gerar explicações drasticamente diferentes para a mesma imagem. Para resolver isso, eles projetaram um processo de treinamento que recompensa o modelo por ser consistente em sua lógica interna e também garante que suas pontuações finais correspondam ao que um humano provavelmente diria. O sistema decompõe a avaliação de uma imagem em cinco partes específicas: quão vivazes são as cores, quanto ruído ou grão é visível, quão nítidos são os detalhes, quão claro é o assunto principal e quão claro é o fundo. Ao avaliar esses cinco aspectos individualmente antes de combiná-los, o modelo aprende a construir um quadro de qualidade mais confiável e detalhado.

Os pesquisadores testaram este novo método em uma grande variedade de imagens e vídeos, incluindo aqueles com distorções naturais como desfoque ou baixa luminosidade, bem como aqueles criados por outras ferramentas de inteligência artificial. Eles descobriram que seu sistema superou significativamente os métodos existentes. Em testes envolvendo imagens estáticas, o novo modelo melhorou a precisão em 5,60 por cento em comparação com as melhores abordagens anteriores. Para a qualidade de vídeo, onde o desafio é ainda maior porque o sistema deve julgar o movimento e o tempo, ele melhorou a precisão em 2,53 por cento. Crucialmente, o modelo não produziu apenas números melhores; ele produziu melhores explicações. Ao ser mostrado uma foto borrada de uma paisagem, o modelo identificou corretamente que as folhas estavam fora de foco e que o fundo carecia de detalhes, em vez de apenas dar um comentário vago sobre a imagem ser "ruim". Essa capacidade de fornecer uma razão estruturada e baseada em evidências para sua pontuação torna o sistema muito mais confiável.

O sucesso deste trabalho depende de uma estratégia de treinamento em dois estágios que mimetiza um processo de aprendizagem. Primeiro, o modelo é encorajado a explorar muitas maneiras diferentes de olhar para uma imagem, gerando uma ampla gama de possíveis pontuações e razões. Durante esta fase, o sistema penaliza respostas que sejam muito dispersas ou inconsistentes, guiando suavemente o modelo em direção a uma forma de pensar estável. Uma vez que o modelo encontrou um ritmo interno confiável, o segundo estágio foca em refinar suas preferências. Aqui, o sistema compara seus julgamentos contra classificações humanas, aprendendo a ajustar suas pontuações para que se alinhem com a percepção humana. Essa separação de "pensar claramente" de "pontuar corretamente" permite que o modelo lide com casos difíceis onde a qualidade da imagem é subjetiva ou as distorções são complexas. Os pesquisadores também estenderam este método para vídeo, analisando tanto o fluxo de movimento ao longo do tempo quanto os detalhes dentro de quadros individuais, sem a necessidade de reconstruir cada movimento no vídeo.

As implicações desta pesquisa estendem-se além de apenas obter uma pontuação melhor. Ao criar um sistema que pode explicar seu raciocínio de uma forma que corresponda à percepção humana, a tecnologia abre as portas para aplicações mais robustas na mídia digital. Ela sugere que a chave para fazer a inteligência artificial entender a qualidade visual não é apenas alimentá-la com mais dados, mas ensiná-la a ser consistente em seu próprio raciocínio antes de pedir que faça um julgamento final. O estudo demonstra que, quando um modelo é treinado para estabilizar sua lógica interna e depois alinhar essa lógica com a preferência humana, ele pode alcançar um nível de confiabilidade que era anteriormente inalcançável. Esta abordagem oferece um caminho promissor para o desenvolvimento de ferramentas que possam melhorar imagens automaticamente, curar conteúdo de vídeo e garantir que o que vemos em nossas telas realmente reflita a qualidade que esperamos.