A-Lamp: 用于照片美学评估的自适应布局感知多补丁深度卷积神经网络

Apr, 2017

A-Lamp: 用于照片美学评估的自适应布局感知多补丁深度卷积神经网络

A-Lamp: Adaptive Layout-Aware Multi-Patch Deep Convolutional Neural Network for Photo Aesthetic Assessment

Shuang Ma, Jing Liu, Chang Wen Chen

TL;DR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。

Abstract

deep convolutional neural networks (CNN) have recently been shown to generate promising results for aesthetics assessment. However, the performance of these deep CNN methods is often compromised by the constraint that the neural network only takes the fixed-size input. To accommodate t

deep convolutional neural networks photo aesthetic assessment adaptive layout-aware multi-patch convolutional neural network multi-patch subnet layout-aware subnet

发现论文，激发创造

深度 CNN 学习摄影美学

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

图像审美评价的多任务卷积神经网络

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

使用图注意力网络进行图像美感评估

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

由美学照片学习组合，实现图像剪裁的端到端神经网络

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

具备属性与内容适应的照片美学排名网络

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

提高照片真实性

本文提出了一种增强合成图像逼真度的方法，通过卷积网络利用常规渲染流水线产生的中间表示来增强图像。

May, 2021

多层空间池化特征的有效美学预测

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

深度卷积神经网络的架构优化

本文旨在回答选定 CNN 模型是否是最优的准确度和模型大小，并提出了一种新的策略，通过拉伸和对称分割来优化架构，从而提高准确性并减小模型大小。作者在两个自然场景属性数据集上测试了该方法并证明了其有效性。

Apr, 2016

学习使用卷积神经网络比较图像片段

本文介绍了如何用卷积神经网络 (CNN) 从图像数据中直接学习通用的相似性函数，以比较图像补丁。我们的实验表明，这种方法在多个计算机视觉问题和基准数据集上都取得了极大的成效。

Apr, 2015

走向自动图像编辑：学习看到另一个自己

本研究基于深度卷积神经网络，针对图像生成中的属性变换问题，在两个面部数据集上进行了有量有质的实验，并取得了较为有前途的结果。

Nov, 2015