ELIQ: 진화하는 AI 생성 이미지 품질 평가를 위한 라벨 없이 작동하는 프레임워크

ELIQ: A Label-Free Framework for Quality Assessment of Evolving AI-Generated Images

생성 텍스트-이미지 모델은 전례 없는 속도로 발전하고 있으며, 이는 인지적 품질 기준을 지속적으로 변화시키고 기존에 수집된 레이블을 최신 세대의 이미지에 대해 신뢰할 수 없게 만듭니다. 이러한 문제를 해결하기 위해, 우리는 진화하는 AI 생성 이미지의 품질 평가를 위한 라벨 없이 작동하는 프레임워크인 ELIQ를 제시합니다. 특히, ELIQ는 시각적 품질과 프롬프트-이미지 정렬에 중점을 두고, 기존의 왜곡과 AIGC(AI 생성 콘텐츠)에 특화된 왜곡 모드를 모두 포괄할 수 있도록 긍정적인 쌍과 특정 측면에 대한 부정적인 쌍을 자동으로 구성합니다. 이를 통해 인간의 주석 없이도 전이 가능한 감독 학습이 가능합니다. 이러한 쌍을 기반으로, ELIQ는 사전 훈련된 다중 모드 모델을 지시 튜닝을 통해 품질을 인식하는 평가기로 변환하고, 경량화된 게이티드 퓨전과 품질 쿼리 트랜스포머를 사용하여 2차원 품질을 예측합니다. 여러 벤치마크에서의 실험 결과, ELIQ는 기존의 라벨 없이 작동하는 방법보다 일관되게 우수한 성능을 보이며, 수정 없이 AIGC(AI 생성 콘텐츠)에서 UGC(사용자 생성 콘텐츠) 시나리오로 일반화될 수 있습니다. 또한, ELIQ는 지속적으로 진화하는 생성 모델에 대한 확장 가능하고 라벨 없이 작동하는 품질 평가의 길을 열어줍니다. 코드는 출판 시 공개될 예정입니다.

Generative text-to-image models are advancing at an unprecedented pace, continuously shifting the perceptual quality ceiling and rendering previously collected labels unreliable for newer generations. To address this, we present ELIQ, a Label-free Framework for Quality Assessment of Evolving AI-generated Images. Specifically, ELIQ focuses on visual quality and prompt-image alignment, automatically constructs positive and aspect-specific negative pairs to cover both conventional distortions and AIGC-specific distortion modes, enabling transferable supervision without human annotations. Building on these pairs, ELIQ adapts a pre-trained multimodal model into a quality-aware critic via instruction tuning and predicts two-dimensional quality using lightweight gated fusion and a Quality Query Transformer. Experiments across multiple benchmarks demonstrate that ELIQ consistently outperforms existing label-free methods, generalizes from AI-generated content (AIGC) to user-generated content (UGC) scenarios without modification, and paves the way for scalable and label-free quality assessment under continuously evolving generative models. The code will be released upon publication.