AGIQA-1K, AGIQA-3K, AIGCIQA2023

我们提供了包含描述性提示的文档，分别位于AGIQA-1K、AGIQA-3K和AIGCIQA2023文件夹中。使用时，只需根据上图设置路径，并在配置文件中更改数据集路径。

We provide documents containing descriptive prompts, which are stored in the AGIQA-1K, AGIQA-3K, and AIGCIQA2023 folders respectively. When utilizing this dataset, you only need to set the file path according to the figure above and modify the dataset path in the configuration file.

原始信息汇总

数据集概述

数据集名称

Text-Visual Semantic Constrained AI-Generated Image Quality Assessment

数据集组成

• AGIQ1K

  • 包含文件：AIGC-1K_answer.csv
  • 图像文件目录：file/（包含image1.png, image2.png等）

• AGIQA3K

  • 包含文件：data.csv
  • 图像文件：image1.jpg, image2.png等

• AIGCIQA2023K

  • 包含文件：merged_output_aigciqa2023.csv
  • 数据目录：DATA/MOS/（包含mosz1.mat）
  • 图像文件目录：Image/（包含子文件夹subfolder1/，内含image1.jpg等）

数据集用途

用于文本-视觉语义约束下的人工智能生成图像质量评估。

使用说明

1. 环境要求：Python 3.10.15, cuda11.8
2. 步骤：
   • 下载并解压代码。
   • 安装依赖包：pip install -r requirements.txt。
   • 修改配置文件中的数据集目录。
   • 登录Hugging Face以下载模型权重：huggingface-cli login --token <your_token>。
   • 运行主程序：python main.py。

生成描述性提示

提供代码示例chat_with_doubao.py，可用于生成描述性提示。API可通过链接https://www.volcengine.com/experience/ark获取。

搜集汇总

数据集介绍

构建方式

在人工智能生成图像质量评估领域，AGIQA-1K、AGIQA-3K和AIGCIQA2023数据集的构建采用了文本-视觉语义约束的创新框架。数据集通过系统化的流程收集生成图像，并配以详细的描述性提示词文档，确保数据来源的多样性和标注的准确性。文件结构采用分层设计，原始图像与质量评分文件分别存储，便于研究者按需调用。

特点

该系列数据集最显著的特点是实现了文本描述与生成图像的质量关联，为多模态质量评估研究提供了基准。AGIQA-1K包含千级样本量，AGIQA-3K扩展至三千规模，而AIGCIQA2023则整合了更丰富的质量评分矩阵。每个数据集均提供标准化的平均意见分数（MOS）标注，且图像格式涵盖PNG、JPG等常见类型，确保兼容性。

使用方法

研究者需配置Python3.10与CUDA11.8环境，通过修改配置文件中的路径参数即可快速部署。使用流程包含四个关键步骤：安装requirements.txt指定的依赖库、配置Hugging Face模型权重、调整数据集目录路径，最后运行main.py启动评估。对于提示词生成需求，配套的chat_with_doubao.py脚本支持基于火山引擎API的自定义扩展。

背景与挑战

背景概述

随着人工智能生成内容（AIGC）技术的迅猛发展，AI生成图像（AI-Generated Images）的质量评估成为计算机视觉与多媒体领域的重要研究方向。AGIQA-1K、AGIQA-3K和AIGCIQA2023数据集应运而生，旨在解决AIGC图像质量评估的标准化问题。这些数据集由专业研究团队构建，通过整合文本-视觉语义约束框架，为生成图像的感知质量提供量化基准。其核心研究问题聚焦于如何建立跨模态关联性评价体系，推动生成式模型优化与下游应用落地，对视觉内容生成、数字艺术创作等领域具有显著的学术与工程价值。

当前挑战

在领域问题层面，AIGC图像质量评估面临生成图像语义一致性难以量化、人类主观评价与算法预测存在偏差等挑战。数据集构建过程中，需克服多模态对齐的复杂性，例如文本描述与生成图像的细粒度匹配、大规模众包标注的成本控制，以及不同生成模型输出质量的异构性处理。此外，动态演进的AIGC技术持续带来新型失真类型，要求评估框架具备可扩展性与泛化能力，这对数据集的版本迭代提出了更高要求。

常用场景

经典使用场景

在人工智能生成图像（AIGC）领域，AGIQA-1K、AGIQA-3K和AIGCIQA2023数据集被广泛用于评估生成图像的质量。这些数据集通过提供丰富的图像样本和对应的描述性提示，为研究人员提供了一个标准化的测试平台。经典的使用场景包括训练和验证图像质量评估（IQA）模型，特别是在文本-视觉语义约束下的生成图像质量分析中，这些数据集帮助研究者深入理解生成图像在语义一致性和视觉质量上的表现。

衍生相关工作

围绕AGIQA系列数据集，学术界衍生了一系列经典研究工作。例如，基于文本-视觉语义约束的生成图像质量评估框架（SC-AGIQA）通过引入多模态特征融合，显著提升了评估性能。此外，部分研究聚焦于生成图像的语义一致性量化，提出了新型评估指标。这些工作不仅扩展了数据集的应用范围，也为AIGC技术的标准化发展奠定了理论基础。

数据集最近研究

最新研究方向

在人工智能生成内容（AIGC）迅猛发展的背景下，AGIQA系列数据集为评估生成图像质量提供了重要基准。当前研究聚焦于多模态语义对齐与质量评估的融合，通过文本-视觉语义约束框架深入解析提示词与生成图像的关联性。大模型时代的到来使得生成图像的真实性和美学价值备受关注，该数据集被广泛应用于扩散模型、GAN等生成系统的性能优化，特别是在提示工程与视觉保真度的量化研究领域。2023年以来，随着Stable Diffusion等工具的爆发式增长，基于语义一致性的质量评估已成为学术界与工业界共同探索的前沿方向，相关成果对构建下一代AIGC质量控制体系具有奠基意义。