为何仅凭主观评估并不可靠
人类在评判图像质量时，难免会带入个人经验和偏见。2023年一项关于乳腺X线摄影的研究中，五名放射技师评估了1000张乳腺X线片，结果他们之间的一致性很差——一个视图的kappa值为0.165，另一个为0.135，而1.0表示完全一致，0表示毫无一致。即便是表现最好的两位评估者，也仅达到中等一致性（0.433）。这意味着，如果你请两位专家对同一张图像打分，他们常常会意见相左，因此任何单个人类的主观评分作为质量评估的依据都不可靠[1]。
同一项研究提出了一个解决办法：由两人进行评估，若意见不一，则引入第三人裁决。但这仍依赖人的判断。研究者还建议用计算机程序来测量几何特征，比如胸肌的角度、长度或对称性——这些客观数值不取决于观察者是谁。这对AI图像检测而言是个关键启示：主观评分必须锚定在可测量、可重复的标准上[1]。
加入推理与客观特征使评估更加稳健
为了超越纯粹的主观性，你可以从图像中提取具体特征，并用它们来解释或论证质量判断。2023年一篇关于缺陷检测的论文引入了一个“AI推理器”，它从图像中提取形态特征（如形状和大小），并利用决策树对这些特征进行推理，然后输出图表和文本解释。该方法在366张缺陷图像上进行了测试，成功解释了AI模型的预测，使质量评估背后的推理过程透明化，并减少了对单一人类直觉的依赖[5]。
类似地，在航拍图像检测中，2021年的一项方法利用地面采样距离（GSD）——即像素尺寸的物理度量——来提升目标检测效果。通过将GSD与检测区域的大小相结合，模型能够估算物体的物理尺寸，这为分类提供了强有力的先验信息。这表明，将客观的物理测量融入AI推理过程，能够提高准确性并减少歧义，而这正是评估基于推理任务的图像质量时所必需的[3]。
关于一致与分歧，证据揭示了什么
这些研究在一个核心观点上达成共识：主观的人类评估存在不一致性，而引入客观、定量的衡量标准则有所助益。乳腺X光摄影研究[1]和AI-Reasoner论文[5]都强调了结构化、可重复评估方法的必要性，尽管两者切入角度不同——一个聚焦医学影像，另一个则关注工业缺陷检测。这种趋同性进一步支持了将人类监督与自动化特征提取相结合的混合方法。
然而，这里存在一种张力：虽然客观指标能提升一致性，但它们可能忽略图像的“可传达性”或情感冲击力，而这在广告等领域至关重要。2025年一项关于视觉传播中AI生成图像的研究引入了一个数据库，包含涵盖14个主题和8种情感类型的2500张图像，并标注了偏好与推理依据。他们发现，现有的质量评估方法（包括大型多模态模型）在预测偏好和推理方面各有优劣——这意味着纯粹客观的指标可能无法捕捉情感共鸣等主观层面[2]。因此，最佳评估方式很可能是将客观特征与人类判断相结合，但你必须根据自身具体用途来定义“质量”的含义。
关于这些来源
本回答基于5项同行评审研究——发表于2021年至2025年间，其中1项为2024年或之后发表，1项发表于Q1期刊，合计被引用101次——这些研究是从5项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的69篇文献。
本文引用的文献
主观图像质量评估在乳腺X线摄影中的影响
在一项针对1000份乳腺X线摄影的研究中，五名放射技师的整体一致性较差（CC投照的Fleiss kappa值为0.165，MLO投照为0.135），其中最佳配对也仅达到中等一致性（Cohen's kappa值为0.433），这表明主观性对图像质量评估的影响十分显著。
视觉传达中AI生成图像质量评估
AIGI-VC数据库包含2,500张AI生成图像，涵盖14个广告主题和8种情感类型，提供了粗粒度的偏好标注和细粒度的描述。对现有图像质量评估（IQA）方法和大型多模态模型的实证研究揭示了它们在偏好预测、解释和推理方面的优势与不足。
GSDet：基于尺度推理的航拍图像目标检测
GSDet方法在航空图像检测中引入了地面采样距离（GSD）作为先验信息，将GSD回归转化为概率估计，并结合感兴趣区域（RoI）尺寸来估算物体的物理大小，从而在DOTA数据集上相较于现有的两阶段方法提升了检测性能。
初始图像：利用图像提示改善多模态AI生成艺术中的主体表征
在标注实验中，使用初始图像作为提示词并辅以文本，在所有主体类型中都改善了AI生成艺术中的主体表现，其中对具体单一主体的改善最为显著，而图标和照片则生成了不同美学风格的高质量作品。
基于形态学图像分析与特征提取，结合AI缺陷检测与分类模型进行推理
AI推理器从缺陷图像中提取形态特征（DefChars），并利用决策树进行推理，输出可视化结果和文本解释；在366张图像上测试后，它有效解释了IE Mask R-CNN模型的预测，提升了基于AI的缺陷检测的透明度。