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

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

本文介绍了一种新的自适应布局感知多补丁卷积神经网络(A-Lamp CNN)结构，用于照片美学评估，该网络结构能够同时学习细节和完整的图像布局。通过在大规模美学评估基准(AVA)上进行广泛实验，证明了在照片美学评估方面比现有技术有显着的性能提高。

Apr, 2017

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

本文提出了一种通过级联注意框回归和美感质量分类的深度学习建模来解决照片剪裁问题的方法。该神经网络使用由两个分支构成的结构，能够预测注意力包围框并分析美感特征，通过共享特征来提高计算效率。实验结果表明，该方法在照片剪裁方面取得了很高的效果，具有竞争性的结果和快速的处理速度（所有步骤运行速度为每秒5帧），即便是在有限的照片剪裁训练数据的情况下。

Oct, 2017

本文提出了一种基于级联裁剪回归（CCR）的图像裁剪方法，使用专业摄影师的知识来学习裁剪。利用大规模视觉美学数据集训练了一个深度卷积神经网络（CNN）分类器，再在几个图像裁剪数据集中提取特征，由CCR方法预测裁剪边界框，实验结果表明该方法显着优于几种最先进的图像裁剪方法。

Dec, 2017

该论文提出了一种基于深度学习的图像裁剪方法，利用卷积神经网络和回归网络，仅需一个锚定区域即可直接输出最终结果，从而实现高精度和高效率。

Jul, 2019

该研究提出了一种可解释的图像裁剪模型，使用深度学习方法生成美学评分地图，在裁剪级别的美学评价中考虑图像的组合和显著性，从而实现高质量的美学图像裁剪。

Nov, 2019

本文提出了一种基于图神经网络的两阶段框架，通过图形神经网络捕捉视觉注意力，使得美学视觉分析中原始的长宽比和空间布局等特征得以保留，进一步提高了美学得分回归的精度。

Jun, 2022

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