# EvoQuality – 字节跳动开源的图像质量评估模型

- Link: https://paooo.com/aigc-news/24362/
- Published: 2026-07-07T14:04:22+08:00
- Author: 站外新闻

## 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。模型基于 Qwen2.5-VL-7B 构建，模型完全无需人工标注的质量分数或失真标签，
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。

阅读目录

 * [EvoQuality是什么](https://paooo.com/aigc-news/24362/#evoquality%e6%98%af%e4%bb%80%e4%b9%88)
 * [EvoQuality的主要功能](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [EvoQuality的技术原理](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用EvoQuality](https://paooo.com/aigc-news/24362/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8evoquality)
 * [EvoQuality的核心优势](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [EvoQuality的项目地址](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [EvoQuality的同类竞品对比](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [EvoQuality的应用场景](https://paooo.com/aigc-news/24362/#evoquality%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![EvoQuality](https://paooo.com/wp-content/uploads/2026/07/EvoQuality-website-1.
avif)

## EvoQuality的主要功能

 * **单图质量评分**：对单张图像输出连续质量分数，支持多种失真类型，包含真实失真、
   合成失真、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，生成可解释的质量描述
   文本。
 * **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。

## EvoQuality的技术原理

 * **离线伪标签生成**：对未标注图像对进行多次查询，让当前 VLM 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 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。
 * **在线策略进化**：用 GRPO 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。
 * **迭代进化机制**：多轮迭代形成正反馈，模型能力提升 → 生成更高质量伪标签 → 模型
   进一步进化。实验表明零样本 PLCC 平均提升 31.8%。

## 如何使用EvoQuality

 * **环境准备**：安装 Python 3.8+ 及 PyTorch、Transformers 等依赖库，确保 GPU 环境
   可用。
 * **模型加载**：从 Hugging Face 拉取 `ByteDance/EvoQuality` 的模型权重与处理器文件
   到本地。
 * **单图质量评分**：读取待评估图像，构造提示词如”Please rate the quality of this
   image from 0 to 100.”并输入模型。模型输出连续质量分数及结构化的质量缺陷/优势描述
   文本。
 * **图像对质量对比**：准备两张待对比图像，构造提示词如”Which image has better quality?
   Explain why.”并输入模型。
 * **批量评估**：对图像数据集进行批量推理，结合多次查询的多数投票机制生成高置信度
   伪标签。
 * **自进化训练（进阶）**：用生成的伪标签通过 GRPO 算法微调模型，启动新一轮迭代进化
   持续提升评估精度。

## EvoQuality的核心优势

 * **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。
 * **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%。
 * **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。
 * **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。

## EvoQuality的项目地址

 * **HuggingFace模型库**：https://huggingface.co/ByteDance/EvoQuality
 * **arXiv技术论文**：https://arxiv.org/pdf/2509.25787

## EvoQuality的同类竞品对比

  |  维度 |  EvoQuality |  VisualQuality-R1 |  
   |  **监督方式** |  完全自监督，零人工标注 |  需人工 MOS 标注作为 ground truth |  
 |  **核心算法** |  GRPO + 成对多数投票伪标签 + 多轮自进化 |  GRPO + Thurstone 模型 + 连续保真度奖励 |  
 |  **奖励来源** |  模型自身生成的伪排名标签（无需外部标注） |  基于人工 MOS 计算的连续 fidelity measure |  
 |  **模型基础** |  Qwen2.5-VL-7B |  Qwen2.5-VL-7B |  
 |  **训练机制** |  离线伪标签生成 → 在线 GRPO 优化 → 迭代闭环进化 |  单轮/有限轮次 RL 训练，依赖固定标注数据集 |  
 |  **数据依赖** |  仅需未标注图像，数据获取零成本 |  需 KADID-10K、TID2013、KonIQ-10k 等带 MOS 数据集 |  
 |  **迭代能力** |  支持多轮自举迭代，模型与标签质量相互提升 |  训练收敛后不再进化，受限于标注数据规模 |  
 |  **可解释性** |  输出质量分数 + 结构化质量描述文本 |  输出质量分数 + 推理过程（thinking）+ 质量描述 |  
 |  **跨数据集训练** |  天然支持，无需感知尺度重新对齐 |  支持多数据集训练，无需尺度重新对齐 |

## EvoQuality的应用场景

 * ** AIGC 内容质检**：自动评估文生图、图像超分辨率、老照片修复等 AI 生成内容的感知
   质量，替代人工审核，降低内容平台运营成本。
 * **图像压缩与传输优化**：实时评估压缩后图像质量，在带宽与画质之间寻找最优平衡点，
   适用于视频流媒体、云存储等场景。
 * **手机摄影辅助**：实时分析取景画面质量，指导用户调整对焦、曝光、构图参数，或自动
   筛选连拍中的最佳成像。
 * **视频质量评估**：将单帧评估扩展至时序维度，分析动态模糊、帧间一致性、码率波动
   对观感的影响，用于视频编码与传输质量监控。