DPC-VQA：ビデオ品質評価における品質知覚と残差キャリブレーションの分離

要旨: 近年のマルチモーダル大規模言語モデル（MLLM）は、動画品質評価（VQA）タスクにおいて有望な性能を示している。しかしながら、これらを新しいシナリオへ適応させることは、大規模な再学習や高コストな平均オピニオン得点（MOS）アノテーションが必要となるため依然として高価である。本論文では、事前学習済みのMLLMはすでにVQAに対して有用な知覚的事前（perceptual prior）を提供しており、主な課題は、この事前をターゲットのMOS空間へ効率的に校正（calibrate）することにある、という点を主張する。この洞察に基づき、本論文では動画品質評価のための知覚と校正の分離フレームワークであるDPC-VQAを提案する。具体的に、DPC-VQAは凍結したMLLMを用いて基礎となる品質推定と知覚的事前を提供し、軽量な校正ブランチを用いてターゲット・シナリオ適応のための残差補正を予測する。この設計により、高コストなエンドツーエンドの再学習を回避しつつ、低い学習コストとデータコストで信頼性の高い性能を維持できる。ユーザー生成コンテンツ（UGC）およびAI生成コンテンツ（AIGC）のベンチマークの双方に対する大規模な実験により、DPC-VQAは代表的なベースラインに対して競争力のある性能を達成し、さらに従来のMLLMベースのVQA手法で学習可能なパラメータの2%未満を用いるだけで、MOSラベルのみ20%でも有効であることが示される。コードは出版時に公開される。