在图像质量评估领域，一个长期存在的难题是：如何让AI像专业摄影师一样，精准识别并分析图像中不同区域的细节差异？传统方法往往将整张图像视为单一对象进行整体评分，导致关键局部问题被掩盖。近日，一项发表于国际顶级机器学习会议ICLR的研究提出突破性解决方案——通过构建“失真图”这一结构化图谱，使AI能够像人类专家一样对图像进行区域级精细化分析。
研究团队以摄影场景为例说明问题本质：当面对两张照片时，人类会自然分解画面——注意到左边照片整体偏暗，右边照片天空出现颗粒感，同时发现两张照片的草地部分质量相近。这种基于区域的分析方式，正是当前AI系统所欠缺的。现有大型多模态模型虽能判断“哪张更清晰”，但当被要求具体指出“哪个区域存在何种问题”时，往往只能给出笼统描述，甚至遗漏关键区域。
针对这一痛点，华为加拿大研究团队提出“失真图”概念。该图谱将两张对比图像（锚图与目标图）分解为对应区域节点，每个节点记录失真类型（如模糊、噪点、过度锐化等14大类）、严重程度（轻微/中等/严重）及0-1分质量评分。节点间通过有向边连接，明确标注“锚图区域优于目标图”“两者相当”或“目标图更优”等比较关系，并区分“稍好”与“明显更好”的差异程度。
为确保图谱的逻辑严谨性，研究团队设计了三条数学约束：有效性（仅比较不同图像的对应区域）、有序性（固定比较方向）和功能性比较（每个区域对仅有一条比较结论）。这些约束使失真图能够准确反映图像间的复杂质量关系，避免出现自相矛盾的评估结果。
实现这一框架的核心是名为PANDA的神经网络模型。该模型采用“特征提取-区域分割-令牌池编码-退化解码-多任务预测”的流水线架构：首先通过DINOv2视觉模型提取图像特征，利用SAM工具自动分割区域；随后为每个区域分配可学习令牌，结合形状信息与深层特征生成个性化表示；再通过Transformer解码器实现跨图像区域的信息交互；最终由四个独立预测头分别输出比较关系、失真类型、严重程度和质量评分。
实验数据显示，PANDA在区域级评估任务中展现显著优势。在包含52.8万对图像的PANDASET数据集上，该模型在简单场景下区域比较准确率达58%，失真类型识别准确率78%，而参数量达270亿的谷歌Gemini 2.5 Pro模型在同一任务中准确率仅22%，接近随机猜测水平。更关键的是，PANDA参数量仅0.028亿，处理一对14区域图像仅需3.53秒，效率远超同类模型。
研究团队构建的PANDABENCH评测基准进一步验证模型能力。该基准设置三个难度等级：简单场景中所有区域受同种失真影响；中等场景中一张图为单一失真，另一张图各区域失真类型不同；困难场景中两张图均包含混合失真。实验表明，随着难度提升，所有模型性能均出现下降，但PANDA的降幅最小，在困难场景下仍能保持可靠判断。
失真图的价值不仅体现在技术突破上，更在于其跨领域应用潜力。研究团队探索了将失真图作为结构化提示信息输入GPT-5 Mini的链式思考实验。结果显示，引入失真图后，GPT-5 Mini在区域比较准确率上提升21个百分点，失真类型识别准确率提升18个百分点。值得注意的是，当失真图预测与图像视觉证据矛盾时，GPT-5 Mini能够主动纠正错误判断，证明两者形成了有效协作而非简单复制。
在整图质量评估任务中，失真图同样表现优异。未经额外训练的PANDA模型在KADID-10k和TID2013两个公开数据集上，通过简单聚合区域评分实现整图排名，准确率分别达到78.83%和78.4%，超越多数同类模型。这证明区域级分析能够自然转化为可靠的整体判断，与人类主观感知高度一致。
该研究在模型设计与数据构建方面均体现创新性。特征提取器选择实验表明，轻量级DINOv2（ViT-s）在性能与效率间取得最佳平衡；4层Transformer解码器被证明是捕捉跨图像关系的最优深度；损失函数权重配置实验显示模型对超参数选择具有鲁棒性。在数据集构建上，研究团队通过人工合成与真实失真结合的方式，创建了首个大规模区域级配对失真数据集，涵盖14种失真类型、32种子类型和52.8万对图像。
尽管研究取得突破性进展，团队仍坦言存在局限性。当前模型架构保持简洁性，未来可引入更强大的视觉特征提取器；数据集中大部分失真为人工合成，需进一步扩大真实世界失真数据规模；比较关系标签依赖特定质量评估模型，构建人工标注数据集将是重要方向。这些坦诚的反思为后续研究指明了清晰路径。
