MR-IQA-2：通过细粒度信用分配忠实反映图像质量

多模态大语言模型能通过提高质量评分与推理依据的一致性支持图像质量评估，但多数方法仅用人工评分监督推理，很少检验推理是否忠实反映图像质量。评分准确并不保证推理正确，共享奖励还可能掩盖不同监督来源，在偶然评分正确时强化错误推理。MR-IQA-2采用“推理生成模型—图像编辑模型—评判模型”框架：生成模型给出图像质量分析，编辑模型根据分析中的质量因素修改图像，冻结的评判模型比较修改前后图像，为推理提供反思反馈。方法进一步以细粒度信用分配区分推理与评分监督：评判反馈监督推理，人工分数监督预测评分，基于掩码的词元级更新区分两类信号，同时保留从推理到评分的因果关系。在多个图像质量评测基准上，该方法取得有竞争力的人工评分一致性。视觉反思还支持评分之外更丰富、更忠实的视觉理解，可用于图像质量优化和相关下游任务。代码：https://github.com/RobinY99/MR-IQA-2。