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

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

本文提出了一种基于多任务深度模型的自动审美质量评估方法，其中将语义识别任务作为解决自动审美质量评估和语义识别相关问题的关键。该方法基于卷积神经网络，通过一个简单的多任务框架，同时利用美学和语义标签进行监督学习，通过引入任务间关系学习的相关项，进一步提高了审美任务的评估精度。经过对 AVAdataset 和 Photo.netdataset 的实验验证，证明了多任务深度模型在发现有效美学表示方面的重要性，并取得了最先进的结果。

Apr, 2016

本文提出了使用 AVA 数据库，自动发现和学习视觉属性来实现美学质量预测、图像标记和检索的目的。

Dec, 2014

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

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

本研究通过构建一个新的图像属性数据集 AMD-A，设计外在属性特征来融合，提出了一种高效的混合多属性图像美学属性评估方法，并利用 EfficientNet-B0 作为骨干网络构建了一个多任务网络体系结构，能够实现美学分类、总体评分和属性评分。实验结果表明，我们提出的方法能够有效提高美学整体和属性方面的表现。

Jul, 2022

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

使用 F2S 模型和属性特征，本文提出了一种替代图像属性标签的美学属性评估框架，能够在不使用经验丰富的艺术家和专业摄影师进行标注的情况下学习得出有意义的美学属性分数。

Dec, 2023

本论文使用脑启发式深度网络来进行图像美学评价，并进行了标签保留转换的首次研究，以及对人类评级的分布预测。在 AVA 数据集上的实验结果表明，相较于其他同等或更高参数容量的最新技术模型，我们的生物学启示和专门的 BDN 模型获得了显著的性能提升。

Jan, 2016