发现美学图像分析的美丽属性
本研究旨在学习使用卷积神经网络,应用深度学习技术自动评估照片美学排名,基于深入剖析其有意义的摄影属性与图像内容信息来规范复杂的照片美学评分问题,通过新提出的采样策略,从多个人类评分者分配的美学得分次元数据集中提取信息,提高了算法的一致性与鲁棒性,实验表明,该模型可使美学排名更符合人类评分标准,并成功在现有 AVAdatabase 基准测试中实现了最先进的图像分类性能
Jun, 2016
为了更深入地认识审美,本文提出了一种神经审美图像审阅者模型,可以不仅为图像提供审美评分,还能生成解释评分原因的文本描述。通过多任务学习,该模型可以评估审美图像并以端到端的方式产生评论。研究结果表明,该模型在 AVA-Reviews 数据集上具有优异的表现,可以与人类视觉感知相一致。
Feb, 2018
提出了一种基于深度卷积神经网络的多任务自动照片美学评估方法,在预测总体美学评分的同时联合学习了八个美学属性,并通过梯度反向传播可视化方法,展示了学习到的模型所代表的属性的重要图像区域。
Jul, 2017
本文综述了近期计算机视觉技术在图像美感质量评估中的应用,详细介绍了基于手工特征和深度特征的不同方法以及评估标准,并探讨了新兴的深度学习技术在美学评分中的应用以及利用计算方法操纵图像美感的可能性。
Oct, 2016
本文提出了一种基于多任务深度模型的自动审美质量评估方法,其中将语义识别任务作为解决自动审美质量评估和语义识别相关问题的关键。该方法基于卷积神经网络,通过一个简单的多任务框架,同时利用美学和语义标签进行监督学习,通过引入任务间关系学习的相关项,进一步提高了审美任务的评估精度。经过对 AVAdataset 和 Photo.netdataset 的实验验证,证明了多任务深度模型在发现有效美学表示方面的重要性,并取得了最先进的结果。
Apr, 2016
本研究提出了一种预测图像美学得分分布的新型网络架构及其训练方法,该模型在使用单一模型仅进行分布预测任务的情况下,在标准的 AVA 大规模基准数据集上实现了美学质量分类、美学得分回归和美学得分分布预测三个任务的最新成果。同时,我们还介绍了一种改变图像预测美学的方法,并使用这种修改来了解我们的模型。
Aug, 2017
通过对 12 个不同美学评分数据集的比较,本文发现不同数据集中的美学评分可预测性存在显著差异,并发现照片和绘画的美学评价具有一致性,但这些差异也在一定程度上对单一数据集的研究结果具有普适性的假设提出了质疑。
Jul, 2023
本文介绍了一种通过文本对图像进行审美属性评估的方法,提出了一种新的图像审美评估公式,即预测每个属性的审美特征标题以及每个属性的审美得分,并介绍了一种新的数据集 DPC-Captions。我们使用特殊设计的 AMAN 模型来预测 5 个审美属性的标题和每个属性的数值评估,证明了我们的方法优于传统的 CNN-LSTM 模型和现代的 SCA-CNN 模型。
Jul, 2019
本文通过自监督特征学习的视角重新探讨了图像审美评估问题,并针对编辑操作设计了两个新颖的预训练任务,实现了从图像中提取审美感知特征。在三个基准数据集上进行的实验表明,该方法能够有效地提取特征并且超越了其他预训练模式,并达到了使用 ImageNet 1000 万标签的监督方法的可比较结果。
Nov, 2019
通过可学习的查询(IAA-LQ)方法,从预训练的图像特征中提取美学特征,对图像进行美学评估,在真实世界数据上表现优于最先进的方法 2.2%的 SRCC 和 2.1%的 PLCC。
Sep, 2023