EvoQuality：字节跳动开源的无参考图像质量评估模型，零标注实现 IQA 性能突破

一、EvoQuality 是什么

EvoQuality 是字节跳动与香港城市大学联合推出的自进化视觉语言模型框架，专注于无参考图像质量评估（No-Reference Image Quality Assessment，NR-IQA）。

所谓“无参考”，是指模型在评估一张图像的质量时，不需要对应的“完美图像”作为参照，仅凭图像本身即可判断其视觉质量——这与人类的主观感知方式高度一致。

EvoQuality 的核心突破在于：它完全无需人工标注的质量分数或失真标签，仅通过模型自身的成对比较与多数投票生成伪排名标签，再借助 GRPO 强化学习算法实现多轮迭代自进化。

传统的视觉语言模型后训练方法通常依赖于监督微调或强化学习，这两种方法都离不开大量昂贵的人工标注数据。而 EvoQuality 将自一致性（self-consistency）的原理创造性地应用到图像质量评估的排名特性上，开辟了一条完全自监督的技术路线。

通俗理解：EvoQuality 就像一位不需要老师评分的“自学者”——它让模型反复比较两张图像的相对质量，对多次比较结果进行“多数投票”形成共识，再用这个共识反过来优化自己，形成一个“越学越强”的正反馈闭环。

二、功能特色

✨ 核心功能一览

• 单图质量评分：对单张图像输出 0–100 的连续质量分数，支持多种失真类型，包括合成失真、真实失真及 AI 生成失真。

• 图像对质量对比：通过成对比较判断两张图像的相对质量优劣，并生成可解释的质量描述文本，让评估结果不仅“准”而且“看得懂”。

• 自进化迭代训练：在离线阶段通过多数投票生成高置信度伪标签，在线阶段通过 GRPO 优化策略，形成闭环自我提升。

• 零样本跨域评估：无需针对新数据集重新训练或对齐感知尺度，天然支持跨数据集的零样本评估。

⭐ 核心优势

1. 零标注成本：完全无需人工主观评分或失真标签，仅通过模型自身成对比较与多数投票即可生成训练信号。

2. 性能超越监督模型：在 7 个 IQA 基准中的 5 个上超越当前最先进的监督 VLM-based IQA 方法，零样本 PLCC 平均提升 31.8%。

3. 自进化闭环能力：通过多轮迭代形成“生成伪标签→训练模型→模型更强→生成更好标签”的正反馈循环，持续突破性能上限。

4. 跨数据集强泛化：天然支持零样本跨域评估，无需针对新数据集重新对齐感知尺度或重新训练。

三、技术细节

🔧 技术架构

EvoQuality 构建于 Qwen2.5-VL-7B 视觉语言模型之上，其核心技术创新体现在以下三个层面：

1. 离线伪标签生成

• 对未标注的图像对进行多次查询，让当前 VLM 反复判断“哪张图像质量更好”。

• 通过成对多数投票（Pairwise Majority Voting） 建立相对质量共识，生成伪排名标签，完全替代人工 MOS（Mean Opinion Score）标注。

• 用 Thurstone Case V 心理测量模型将离散比较结果转化为连续的质量分数分布，生成可优化的保真度奖励信号。

2. 在线策略进化

• 采用 GRPO（Group Relative Policy Optimization） 算法将伪标签转化为奖励信号，更新 VLM 策略。

• 通过组内样本的相对奖励估计优势函数，大幅降低训练内存与计算开销。

• 策略模型针对同一批图像对生成多个回答，根据伪标签计算的奖励进行梯度更新。

3. 迭代进化机制

多轮迭代形成正反馈闭环：
模型能力提升 → 生成更高质量伪标签 → 模型进一步进化 → 重复循环

实验表明，经过多轮自进化后，零样本 PLCC（Pearson Linear Correlation Coefficient）平均提升 **31.8%**。更值得注意的是，尽管完全自监督，EvoQuality 在 7 个主流 IQA 基准测试中的 5 个上超越了现有的监督式 VLM-based IQA 模型。

四、应用场景

EvoQuality 在以下场景中具有广泛的应用价值：

1. AI 生成内容质量审核

AI 生图模型（如 Stable Diffusion、Midjourney、DALL·E 等）生成的海量图像需要自动化的质量把关。EvoQuality 能够对 AIGC 生成的图像进行批量质量评估，筛选出低质量图像，提升内容审核效率。

2. 图像压缩与转码质量评估

在图像压缩、格式转换、分辨率调整等处理流程中，EvoQuality 可作为后处理的质量检测工具，自动评估处理前后图像的视觉质量变化，辅助优化算法选择。

3. 用户生成内容质量排序

社交平台、电商平台等需要处理海量用户上传的图片内容。EvoQuality 可对用户生成内容进行质量排序，优先展示高质量图片，提升用户体验。

4. 数据清洗与数据集构建

在构建大规模图像数据集时，EvoQuality 可自动筛选低质量图片、模糊图片或存在明显失真的图片，提升数据集的整体质量水平。

5. 图像质量监测

在视频流媒体、安防监控等需要实时监测图像质量的场景中，EvoQuality 可作为质量监测模块，及时发现异常画面（如黑屏、花屏、过度模糊等）。

五、使用方法

🛠️ 环境准备

• Python 3.8+

• PyTorch（建议 2.0 以上版本）

• Transformers 库（Hugging Face）

• GPU 环境（推荐，可显著加速推理）

📦 安装依赖

pip install torch transformers accelerate pillow

🤗 模型加载

通过 Hugging Face transformers 库加载模型权重和处理器：

from transformers import AutoModelForCausalLM, AutoProcessor
from PIL import Image
import torch

# 加载模型和处理器
model_name = "ByteDance/EvoQuality"
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
  model_name, 
  device_map="auto", 
  torch_dtype=torch.bfloat16
)

🖼️ 单图质量评分

# 读取待评估图像
image = Image.open("your_image_path.jpg")

# 构造提示词
prompt = "Please rate the quality of this image from 0 to 100."

# 处理输入并生成输出
inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=1024)
response = processor.decode(output[0], skip_special_tokens=True)

print(response) # 输出连续质量分数及质量缺陷/优势描述文本

模型输出示例格式："The quality score of this image is 85. The image shows good clarity and natural colors, but there is slight noise in the shadow areas."

↔️ 图像对质量对比

# 准备两张待对比图像
image_a = Image.open("image_a.jpg")
image_b = Image.open("image_b.jpg")

# 构造对比提示词
prompt = "Which image has better quality? Explain why."

# 将两张图像组合输入
inputs = processor(
  text=prompt, 
  images=[image_a, image_b], 
  return_tensors="pt"
).to(model.device)
output = model.generate(**inputs, max_new_tokens=1024)
response = processor.decode(output[0], skip_special_tokens=True)

print(response) # 输出质量对比结果及理由

📊 批量评估

def batch_evaluate(image_list, prompt):
  for img_path in image_list:
    image = Image.open(img_path)
    inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
    output = model.generate(**inputs, max_new_tokens=1024)
    response = processor.decode(output[0], skip_special_tokens=True)
    print(f"{img_path}: {response}")

🔄 自进化训练（进阶）

如需在自定义数据集上进一步提升模型性能，可通过生成的伪标签，利用 GRPO 算法对模型进行微调，启动新一轮迭代进化持续提升评估精度。

六、竞品对比

从对比中可以清晰地看到，EvoQuality 的核心差异化优势在于其完全自监督的训练范式。传统有监督模型（如 VisualQuality-R1 和 LIQE）都依赖昂贵的人工标注数据，而 EvoQuality 通过模型自身的成对比较与多数投票生成训练信号，大幅降低了数据成本。同时，在性能表现上，EvoQuality 在 5 个主流 IQA 基准上超越了现有监督 SOTA 模型，实现了“更省力且更出色”的技术突破。

七、常见问题解答

Q：EvoQuality 适合哪些类型的图像？

A：EvoQuality 支持多种失真类型的图像评估，包括合成失真（如压缩噪声、模糊）、真实失真（拍摄过程中的自然退化）、以及 AI 生成图像（如 Stable Diffusion、Midjourney 输出的图片）。无论是自然照片、CG 渲染图还是 AIGC 作品，EvoQuality 都能进行有效的质量评估。

Q：模型是否开箱即用？需要多少显存？

A：是的，模型可直接通过 Hugging Face Transformers 库加载使用，无需额外配置。EvoQuality 基于 Qwen2.5-VL-7B 构建，建议使用至少 16GB 显存的 GPU（如 A10、V100、RTX 4090 等）以获得良好的推理速度。

Q：EvoQuality 能否用于商业项目？

A：开源许可详情请以 Hugging Face 页面发布的具体授权协议为准。模型权重目前已公开提供，可用于研究和应用开发。

Q：零样本评估的准确性如何？用户场景是否需要重新训练？

A：实验表明，EvoQuality 在完全零样本的情况下，在 7 个主流 IQA 基准测试中的 5 个上超越了现有的监督 SOTA 模型，零样本 PLCC 平均提升 31.8%。对于大多数通用场景，开箱即用已足够。如遇特定领域图像（如医疗影像、遥感图像等），可通过自进化训练进一步微调。

Q：什么是 PLCC？31.8% 的提升意味着什么？

A：PLCC（Pearson Linear Correlation Coefficient，皮尔逊线性相关系数）是衡量模型预测质量分数与人类主观评分之间线性一致性的指标，取值范围 0–1，越接近 1 表示模型与人类感知越吻合。31.8% 的相对提升意味着 EvoQuality 的评估结果与人类主观感知的契合度显著高于基础模型。

Q：模型能同时评估几张图像？

A：EvoQuality 支持单图质量评分和图像对质量对比两种模式。在对比模式下可同时处理两张图像；批量评估场景下，可逐张输入或多进程并行处理。

Q：评估结果输出格式是什么？

A：输出包含两部分：连续质量分数（0–100）以及结构化的质量描述文本，包括质量优势和缺陷说明，便于人工审核或后续自动化处理。

Q：EvoQuality 与传统的 IQA 方法（如 NIQE、BRISQUE）有什么区别？

A：传统方法（如 NIQE）通常依赖自然场景统计特征，无需训练但性能有限，且与人眼主观感知的相关性不如深度学习模型。而 EvoQuality 基于视觉语言大模型，具有更强的语义理解能力和可解释性，能够生成质量描述文本，零样本评估性能显著优于传统无监督方法。

Q：代码和模型在哪里下载？

A：代码和模型权重将在 GitHub 仓库 https://github.com/bytedance/EvoQuality 发布，Hugging Face 模型页面为 https://huggingface.co/ByteDance/EvoQuality，技术论文可在 arXiv 获取。

Q：EvoQuality 是否支持中文？

A：模型基于 Qwen2.5-VL（通义千问视觉语言模型）构建，原生支持中英文双语。用户可使用中文提示词进行评估，如“请为这张图像的质量评分，范围0到100”。

八、相关链接

• Hugging Face 模型库：https://huggingface.co/ByteDance/EvoQuality

• arXiv 技术论文：https://arxiv.org/pdf/2509.25787

九、总结

EvoQuality 是字节跳动与香港城市大学联合推出的自进化视觉语言模型框架，在完全无需人工标注的情况下，通过成对多数投票生成伪排名标签、借助 GRPO 强化学习算法实现多轮迭代自进化，将基础 VLM 的零样本性能平均提升了 31.8%，并在 7 个主流 IQA 基准测试中的 5 个上超越了现有监督 SOTA 模型——这是图像质量评估领域从“依赖人工标注”迈向“机器自主进化”的一次重要技术突破。