通过累积 Jensen-Shannon 散度预测美学分数分布
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
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
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
通过对 12 个不同美学评分数据集的比较,本文发现不同数据集中的美学评分可预测性存在显著差异,并发现照片和绘画的美学评价具有一致性,但这些差异也在一定程度上对单一数据集的研究结果具有普适性的假设提出了质疑。
Jul, 2023
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
通过样本分布和经验代理之间的平滑 JSD 差异,提出了一种新的训练目标,基于核的 GAN,旨在克服 GAN 的训练困难,提高其实际效果。
May, 2017
该论文提出了一种名为 Siamese-Difference 神经网络的卷积神经网络,采用扩展结构和注意力机制,以及附加的损失函数进行训练,该方法在 NTIRE 2021 感知图像质量评估挑战中表现卓越。
May, 2021