تشير الدراسات الحديثة إلى أن تقييم جودة الصور (Image Quality Assessment - IQA) يعد أحد الأسس الرئيسية لعمليات معالجة الصور في مجالات الذكاء الاصطناعي (Artificial Intelligence). حيث يتوجب على النماذج التقييم ما إذا كانت الجودة البصرية تلبي متطلبات المهام المستقبلية. ولكن، هل تعلم أن معظم الطرق الحالية تعتمد على مقاييس عامة لا تعكس فعلياً مدى قدرة الصورة على تحقيق الأهداف المحددة في مواقف تفاعلية؟

في دراسة جديدة نُشرت على موقع arXiv، اقترح الباحثون إعادة التفكير في كيفية تقييم جودة الصور في إطار الممارسات الخاصة بالمهمات الجسدية (Embodied Tasks). حيث يُشير الباحثون إلى أن تقييم الجودة يجب أن ينتقل من مجرد التقييم التقليدي إلى الحكم المبني على الأهداف، والذي يعتمد على فائدة المهمة المحددة.

ولتحقيق هذا الهدف، قاموا بتطوير إطار عمل يعتمد على نماذج لغوية ضخمة (MLLM) يتيح للوكيل (Agent) التفكير في متطلبات المهمة، وتحديد الأدلة المتعلقة بالجودة، وإنتاج تقييمات تدعم اتخاذ القرار. ومن خلال دراسة حالة مركزة استخدمت بيانات VisDrone، تبين أن المقاييس التقليدية الخاصة بالإدراك ودرجات IQA العامة لم تكن فعالة في تحديد نجاح المهام المتعلقة بالصور.

من جهة أخرى، كشف البحث أن استخدام درجات فائدة المهمة (Task-Conditioned Utility Scores) كان أكثر دقة في التنبؤ بما إذا كانت المدخلات البصرية تدعم المهمة المحددة.

هذه النتائج تعزز من الحاجة إلى إعادة تعريف تقييم جودة الصور (IQA) في سياق المهام الجسدية، وتفتح آفاق جديدة لتحسين الأداء في تقنيات الذكاء الاصطناعي التفاعلية.