本研究针对大规模数字艺术社区 Behance 的用户行为，建立了一个基于视觉外观、时间动态和社交动态的推荐系统。

Jul, 2016

本研究提出了一种计算机视觉系统的方法，用于无需有标签的数据来识别艺术图像中的物体，通过域适应和样式转移等技术来实现，无需大量的目标数据即可进行跨域对象识别及场景分类。

Dec, 2018

我们提出了 DEArt，它是一个针对文化遗产绘画的检测数据集，检测物体和姿势分类，是一个与众不同的数据集，具有 69 个类别和 12 个姿势，并且可以通过迁移学习实现与最先进模型相媲美的精度。

Nov, 2022

本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

Feb, 2014

介绍了一种新的涵盖自然与人造场景图片，包含 2D 和 3D 人体注释信息的 Human-Art 数据集，此数据集包含 5 种自然场景和 15 种人造场景共 50k 张高质量图片，为多项计算机视觉任务提供了全面且多样化的样本，包括人体检测，2D 和 3D 人体姿态估计，图像生成和运动转移等。

Mar, 2023

利用深度学习技术，本研究通过 8 种不同的深度网络架构在两个不同的艺术数据集上进行对比实验，并引入一种通过多个模型提取和识别输入的不同特征的可变方法，创造了与现有工作相比更一致的模型，在最大艺术数据集上达到了最新的精确度（WikiArt - 68.55%），同时讨论了数据和艺术风格本身对模型性能的影响。

May, 2024

通过生成式视觉 - 语言模型来增强艺术品数据集，以应对文化遗产领域中有限的注释数据和领域偏移，提高模型对艺术特征的理解和生成恰当术语的能力。

Aug, 2023

本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

Nov, 2013

本研究提出了细粒度艺术品属性识别的新数据集，并借助比赛鼓励细粒度视觉识别研究社区的热情以推进数字博物馆文物数字化的最新技术。

Jun, 2019

该研究介绍了一个艺术品领域的大规模实例级别识别数据集，包含了许多具有挑战性的问题，同时结合了自监督和监督对比学习来训练骨干网络进行非参数分类，该数据集可用于鼓励探索不同领域上的领域独立方法。

Feb, 2022