該論文由Jirong Zha等八位作者完成，於2026年9月30日提交至arXiv，屬於計算機視覺與模式識別（cs.CV）及人工智能（cs.AI）交叉方向。文章的核心主張是：在具身成像系統中，圖像質量評估不應只回答“圖像看起來有多好”，而應回答“這幅圖像能否支撐當前任務”。
傳統IQA方法通常在大規模靜態基準上訓練，學習與通用人類主觀評分對齊的任務無關質量分數。論文指出，這一目標與具身和交互式場景存在根本錯配。在具身場景中，同一幅圖像是否“足夠好”取決於任務目標、環境上下文以及智能體需要執行的動作要求。例如，低光照或輕微模糊對於導航任務可能可以接受，但對於精細操作或目標識別任務則可能構成關鍵障礙。因此，靜態的、與任務無關的評分無法準確反映圖像對下游決策的實際價值。
為此，作者提出將IQA從分數迴歸轉向目標條件化判斷，並以“具身任務效用”來定義圖像質量。具體而言，他們構建了一個基於多模態大語言模型（MLLM）的具身IQA智能體框架。該智能體首先推理當前任務的具體需求，然後將圖像質量證據與這些需求進行關聯和 grounding，最終生成面向決策的評估結果，而非單純的數值分數。這種設計旨在讓IQA輸出更可解釋、更貼近智能體的實際使用方式。
論文還報告了一項基於VisDrone數據集的緊湊證據研究。實驗對比了傳統感知質量指標、通用MLLM-based IQA分數以及任務條件化效用分數對下游視覺語言模型（VLM）任務成功與否的預測能力。結果顯示，傳統感知指標和通用MLLM的IQA分數與下游任務成功之間的關聯較弱，難以作為可靠代理；相比之下，任務條件化效用分數能夠更好地預測視覺輸入是否支持目標任務。
這些發現支持對IQA進行面向任務效用的重新框架化，使視覺感知評估更加具身化、可解釋且決策感知。論文的貢獻不僅在於提出一個新框架，更在於指出評估範式需要從“人類評分對齊”轉向“任務成功對齊”，這對具身智能、機器人視覺和交互式視覺系統的質量保障具有潛在影響。