PCQA: A Strong Baseline for AIGC Quality Assessment Based on Prompt Condition

大型语言模型（LLM）和扩散模型的发展带来了人工智能生成内容（AIGC）的繁荣。建立一个有效的质量评估框架对于基于AIGC技术生成的不同图像或视频提供可量化的评估至关重要。AIGC方法生成的内容是由精心设计的提示驱动的。因此，提示也可以作为AIGC质量评估的基础。本研究提出了一种有效的AIGC质量评估（QA）框架。首先，我们提出了一种基于双源CLIP（对比语言-图像预训练）文本编码器的混合提示编码方法，以理解和响应提示条件。其次，我们提出了一种基于集成的特征混合器模块，以有效地混合适应的提示和视觉特征。实证研究在两个数据集上进行：AIGIQA-20K（人工智能生成图像质量评估数据库）和T2VQA-DB（文本到视频质量评估数据库），验证了我们提出的方法Prompt Condition Quality Assessment（PCQA）的有效性。我们提出的简单可行的框架可能促进多模态生成领域的研究发展。

本文旨在构建一种有效的人工智能生成内容（AIGC）质量评估框架，以提供基于AIGC技术的不同图像或视频的可量化评估。

本文提出了一种有效的AIGC质量评估（QA）框架，其中包括基于双源CLIP文本编码器的混合提示编码方法和基于集成的特征混合器模块。

本文的实验在两个数据集上进行，验证了所提出的Prompt Condition Quality Assessment（PCQA）方法的有效性。该框架简单易行，有望促进多模态生成领域的研究发展。

与本文相关的最近研究包括“CLIP: Learning Transferable Visual Models From Natural Language Supervision”和“Generative Pretraining Transformer 3”等。