野外 UGC 增强图像中的细粒度异常感知：一个全面的数据集和差异融合框架

图像增强和修复已成为短视频和社交媒体平台上提升 UGC 视觉体验的标准后端操作。然而，这些过程不可避免地会引入视觉异常——尤其是在面部、文本和纹理上——直接损害感知保真度和观众信任。尽管现有 IQA 方法在经典失真上表现良好，但它们面向整体质量评估，无法捕捉真实场景 UGC 中由增强算法造成的特定局部异常。为弥补这一空白，我们正式定义了一项新的任务：UGC 图像增强异常感知（UEAP），并贡献了首个 UEAP 基准数据集 UEAP-4k，其来源于真实业务场景。该数据集为异常类别、定位和严重度级别提供了细粒度标注。此外，我们针对野外 UGC 增强图像提出了 Difference-Fusion Anomaly Perception Method (DFAP-UGC)，其利用显式问题-参考差异融合、密集空间查询、区域验证和质量感知排序，在具有挑战性的场景中实现稳健的异常识别。为处理这一新任务中子任务固有的耦合关系，我们提出一种 Locality-Aware Dynamic Task Prioritization (LADTP) 训练策略，使端到端学习更有效，并消除多阶段开销。大量实验表明，我们的方法优于为该任务改造的经典方法基线，验证了该数据集的价值以及 DFAP-UGC 在稳健 UGC 增强图像异常感知方面的优越性。代码和数据将公开。