本文研究了在线社交网络上对帖子的互动反应，发现在帖子中加入图像等可视化元素后，其视觉特征会对帖子的病毒性产生不同的影响，同时提出了与其相关的几种假设和解释及其动态特征。

Sep, 2013

探讨图片模因产生社交媒体传播热度的视觉元素，根据艺术、心理、营销和神经科学研究，开发了特征码书以注释一组从 4chan 收集的 100 个图像模因，训练机器学习模型以区分可能会病毒性传播的图片模因，结果显示我们的模型可以帮助确定最受欢迎的模因。

Jan, 2021

本文提出了一种新的算法，将病毒性预测问题重新定义为属性预测任务，并使用成对神经网络模型来模拟在线媒体图像的病毒性，对促进病毒性的特征提供了重要洞见，在预测方面比现有技术的平均值提高了 12％，我们还研究了外部类别监督对相对属性预测的影响，并观察到了准确度的提高.

Sep, 2017

利用图像信息和层次化数据结构，预测基于图像的社交媒体内容的流行度，通过 Google Cloud Vision API 提取关键图像和颜色信息，相比于单独使用非图像协变量，精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型，对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。

May, 2024

本文介绍了一种基于深度学习的图像识别方法，利用所提出的 “纵向最大平均池化层”（LENA）来预测和定位网络传播的图像或视频，并在两个公共数据库上的实验中取得了优越的表现。

Mar, 2017

本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。

Mar, 2012

使用计算机视觉方法从低曝光但高品质图片池中展现出美丽的照片。我们对 Flickr 上的大型数据集进行测试，通过聚集大量众包美学得分的基本事实，显示我们的方法检索到的照片的中位数感知美丽得分等同于最受欢迎的照片，平均得分仅低 1.5%。

May, 2015

本研究针对视觉识别技术中的特征表示、学习算法和标记的训练数据进行了探究，提出了一种基于网络监督的自动图像数据生成方法，以实现对大量视觉概念的高效训练和识别。在 Pascal VOC 2007 数据集上对该方法进行了测试，并取得了明显的优越性能。

Jun, 2019

该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

Mar, 2017

该研究针对社交媒体上流行的多模式互联网模因进行情感分析，人工标注了约 10,000 条模因标签，并涵盖情感和情感类型（讽刺，有趣，冒犯，积极影响）及其相应的强度，三项任务中分别取得了 F1 得分的最佳表现分别为 0.35、0.51 和 0.32。

Aug, 2020