用于图像美感评估的仿脑深度网络
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
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
本研究提出了一种考虑多个审美属性的多任务卷积神经网络,在预测图像整体审美得分方面具有超越同类方法和接近人类表现的优势,并且相对于文献中现有多任务神经网络,具有更高的计算效率。
May, 2023
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
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
这篇研究使用深度学习技术进行失真通用的盲目图像质量评估,通过将子区域的评分进行平均池化,使用分类基础图像质量评估的 CNN 微调提取的特征,使用 SVR 机器计算每个子区域的评分,进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法,并且在很多情况下,比普通的人类观察者的评分更加接近平均观察者的评分。
Feb, 2016
本文提出一种利用卷积神经网络预测人类意见分布的图像质量评估方法,相比于其他方法,该方法不仅具有与人类感知的高相关性,而且可以用于单张图片的感知、语义感知无参考质量评估,并能够辅助照片处理算法的适应和优化。
Sep, 2017
提出了一种基于深度学习的方法,包含两个 CNN 子单元的深度架构,以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021,用于模型训练和验证。通过在多个数据集上的实验,证明了该方法的性能和广泛的泛化性能。
May, 2023
本文提出了一种新型的预训练特征深度学习方法,可以有效评估美学质量。该方法采用全分辨率图像作为输入,并允许变量输入大小的训练,从而取得了显著的性能提高,并在目前最大的美学数据库 AVA 数据集上将基础事实平均意见分数的 Spearman 秩倒相关系数从 0.612 提高到 0.756。该方法依靠 IncepResNet-v2 网络的预训练层和浅层 CNN 体系结构的空间池化特征实现。
Apr, 2019
本研究提出了一个大规模的 Boldbrush 艺术图像数据集,并采用 SAAN 方法从中提取和利用风格专属和通用美学信息来评估艺术图像,结果表明该方法在数据集上表现优异,这为未来的艺术图像美学评估研究提供了基础。
Mar, 2023