AU-IQA

AU-IQA是一个专门用于评估人工智能增强用户生成内容（AI-UGC）感知质量的基准数据集。该数据集由4800张由三种代表性增强类型（超分辨率、低光增强和去噪）生成的AI-UGC图像组成。数据集的建设过程包括选择高质量的UGC图像，对其进行合成降质处理，然后使用不同的AI增强模型进行修复。每个图像都由五名训练有素的标注者使用平均意见得分（MOS）进行标注，以评估其感知质量。AU-IQA旨在解决现有感知质量评估模型在AI-UGC场景下的泛化能力和可靠性问题，促进AI-UGC感知质量评估方法的发展。

AU-IQA is a benchmark dataset specifically designed for evaluating the perceptual quality of Artificial Intelligence-enhanced User-Generated Content (AI-UGC). This dataset consists of 4800 AI-UGC images generated from three representative enhancement types: super-resolution, low-light enhancement, and denoising. The construction process of the dataset includes selecting high-quality UGC images, performing synthetic degradation processing on them, and then restoring them using different AI enhancement models. Each image is annotated by five well-trained annotators using Mean Opinion Score (MOS) to evaluate its perceptual quality. AU-IQA aims to address the generalization ability and reliability issues of existing perceptual quality assessment models in the AI-UGC scenario, and promote the development of AI-UGC perceptual quality assessment methods.

搜集汇总

数据集介绍

构建方式

AU-IQA数据集构建过程严谨且系统化，研究团队从KonIQ-10k数据集中精选400张高质量用户生成内容(UGC)图像作为基础素材，通过可控的降质处理（包括下采样、亮度降低和高斯噪声添加）模拟三种典型退化类型：低分辨率、低光照和噪声污染。每种退化类型采用四种代表性增强模型进行处理，涵盖DiffBIR、OSEDiff等超分辨率模型，GLARE、LightenDiffusion等低光增强模型，以及DiffBIR、MaskedDenoising等去噪模型，最终生成4,800张增强图像。主观评价环节由五名训练有素的标注者按照统一标准进行Mean Opinion Score(MOS)评分，重点关注分辨率、亮度、噪声和失真等维度，并通过交叉验证确保标注一致性。

特点

该数据集的核心特征体现在三个方面：技术多样性包含超分辨率、低光增强和去噪三大增强类型，覆盖九种前沿算法；质量分布呈现差异化特征，超分辨率图像MOS集中在2-4.5分，低光增强多在1.5-3.5分区间，去噪结果则稳定在3.5-4.5分；标注可靠性通过多轮交叉验证的MOS机制实现，每个图像获得五个独立评分并计算平均值，同时建立基于四维度（分辨率/亮度/噪声/失真）的细粒度评价体系。这种设计使数据集能有效反映不同增强技术的质量特性，为模型评估提供丰富样本。

使用方法

该数据集主要服务于三类研究场景：基准测试可评估传统IQA方法（如PSNR/SSIM）、学习型质量评估模型（如NIMA/HyperIQA）以及大型多模态模型在AI增强内容上的表现；方法开发支持端到端训练新型质量评估模型，特别针对同时具备UGC真实性和AIGC增强特性的混合内容；增强算法优化可通过质量分数反馈指导超分辨率、低光增强等技术的改进。使用时建议采用5折交叉验证策略，注意区分不同增强类型的子集进行针对性分析，同时结合PLCC和SRCC指标全面衡量模型性能。

背景与挑战

背景概述

AU-IQA数据集由上海交通大学和麦克马斯特大学的研究团队于2025年提出，旨在解决AI增强用户生成内容（AI-UGC）的感知质量评估问题。随着AI图像增强技术在视觉应用中的广泛应用，AI-UGC的质量评估成为一个关键但未被充分探索的领域。该数据集包含4,800张经过超分辨率、低光照增强和去噪三种典型增强处理的图像，并附有人类主观评分（MOS）。AU-IQA填补了传统用户生成内容（UGC）和AI生成内容（AIGC）质量评估之间的空白，为开发更精准的AI-UGC质量评估模型提供了重要基准。

当前挑战

AU-IQA数据集面临的挑战主要体现在两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，AI-UGC同时具备UGC的真实性和AIGC的生成特性，现有质量评估模型难以准确捕捉其混合特征，导致评估结果与人类感知不一致。构建过程中的挑战包括：1) 数据多样性控制，需平衡不同增强类型（如超分辨率与低光照增强）的样本分布；2) 主观评分一致性保障，需设计严格的标注流程以减少个体评分偏差；3) 真实退化模拟，需在合成数据中保留自然图像的复杂退化模式。

常用场景

经典使用场景

在计算机视觉领域，AU-IQA数据集为AI增强用户生成内容（AI-UGC）的感知质量评估提供了标准化基准。该数据集包含4800张经过超分辨率、低光增强和去噪处理的图像，广泛应用于评估传统图像质量评估（IQA）方法和大型多模态模型在AI-UGC场景下的性能。通过提供多样化的增强类型和主观评分（MOS），AU-IQA成为研究AI-UGC质量评估的黄金标准。

衍生相关工作

基于AU-IQA的基准分析，衍生出多项重要研究。例如Q-Align等大型多模态模型通过该数据集验证了离散质量等级预测策略的有效性；DEQA则探索了分数分布回归方法。这些工作共同推动了LMM在视觉质量评估中的适应性研究，形成从传统IQA到多模态评估的技术演进脉络。

数据集最近研究

最新研究方向

随着人工智能技术的飞速发展，AI增强的用户生成内容（AI-UGC）在多媒体平台的应用日益广泛，但其质量评估仍面临诸多挑战。AU-IQA数据集的提出填补了这一领域的空白，为AI-UGC的感知质量评估提供了标准化基准。当前研究聚焦于探索传统图像质量评估模型（如TOPIQ、LIQE）及大型多模态模型（如Q-Align、Qwen2-VL）在AI-UGC场景下的适应性，揭示了UGC导向模型在评估混合特征内容时的优势。低光照增强与超分辨率等不同增强类型对模型性能的差异化影响成为热点，同时数据规模对评估稳定性的作用亦引发关注。该数据集推动了针对AI-UGC特性的专用评估方法开发，为提升增强算法与用户体验提供了重要研究基础。

相关研究论文

• AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content

  上海交通大学（Shanghai Jiao Tong University） · 2025年