该论文由Jirong Zha等八位作者完成，于2026年9月30日提交至arXiv，属于计算机视觉与模式识别（cs.CV）及人工智能（cs.AI）交叉方向。文章的核心主张是：在具身成像系统中，图像质量评估不应只回答“图像看起来有多好”，而应回答“这幅图像能否支撑当前任务”。
传统IQA方法通常在大规模静态基准上训练，学习与通用人类主观评分对齐的任务无关质量分数。论文指出，这一目标与具身和交互式场景存在根本错配。在具身场景中，同一幅图像是否“足够好”取决于任务目标、环境上下文以及智能体需要执行的动作要求。例如，低光照或轻微模糊对于导航任务可能可以接受，但对于精细操作或目标识别任务则可能构成关键障碍。因此，静态的、与任务无关的评分无法准确反映图像对下游决策的实际价值。
为此，作者提出将IQA从分数回归转向目标条件化判断，并以“具身任务效用”来定义图像质量。具体而言，他们构建了一个基于多模态大语言模型（MLLM）的具身IQA智能体框架。该智能体首先推理当前任务的具体需求，然后将图像质量证据与这些需求进行关联和 grounding，最终生成面向决策的评估结果，而非单纯的数值分数。这种设计旨在让IQA输出更可解释、更贴近智能体的实际使用方式。
论文还报告了一项基于VisDrone数据集的紧凑证据研究。实验对比了传统感知质量指标、通用MLLM-based IQA分数以及任务条件化效用分数对下游视觉语言模型（VLM）任务成功与否的预测能力。结果显示，传统感知指标和通用MLLM的IQA分数与下游任务成功之间的关联较弱，难以作为可靠代理；相比之下，任务条件化效用分数能够更好地预测视觉输入是否支持目标任务。
这些发现支持对IQA进行面向任务效用的重新框架化，使视觉感知评估更加具身化、可解释且决策感知。论文的贡献不仅在于提出一个新框架，更在于指出评估范式需要从“人类评分对齐”转向“任务成功对齐”，这对具身智能、机器人视觉和交互式视觉系统的质量保障具有潜在影响。