学习在哪里观察以及如何判断：具有质量感知显着性的与分辨率无关的图像质量评估

无参考图像质量评估 (NR IQA) 最近受益于深度和多模态模型，但许多 SOTA 系统仍然违反了至少一个基本要求：它们要么通过积极调整大小而丢弃关键质量线索，无法跨分辨率进行泛化，无法在 MOS 尺度不匹配的异构 IQA 数据集上进行联合训练，或者需要过高的计算量。我们提出了 \textbf{ReLIQS}，一个与解决方案无关的 \textbf{L} 模型，以 \textbf{S} 的能力获得 \textbf{I}mage \textbf{Q} 质量，该模型与分辨率无关，保留原始分辨率质量线索，从多个主观研究中学习，并保持计算效率和预算适应性。 ReLIQS 是一种基于 CLIP 的多尺度补丁驱动架构，可以学习 \emph{在哪里看} 和 ​​\emph{如何判断} 质量。固定大小的补丁在多种分辨率（包括原始分辨率）上进行采样，并使用 CLIP 视觉主干进行编码。然后，轻量级感知重要性估计器预测 IQA 特定的重要性图以选择一小组信息丰富的补丁，并且潜在质量轴模块将它们的嵌入聚合到单个图像级分数中。在跨越不同分辨率和失真的真实、合成和 AIGC 基准测试中，ReLIQS 的泛化能力优于强大的基于 CNN、CLIP 和 MLLM 的基准，并且具有匹配或降低的计算成本。