通过语义感知的计算机视觉技术，将艺术作品转化为照片般写实的图像，降低了艺术数据与真实数据的视觉差距，并取得了分类、检测和分割任务的表现优化。

Nov, 2018

我们提出了一个新颖的多领域艺术品合成框架，通过语义布局生成艺术作品。我们还提出了一种名为 ArtSem 的数据集，包含 40,000 张不同领域的艺术品图像及其对应的语义标签地图。利用条件生成对抗网络（GAN），我们在不需要成对训练数据的情况下，从语义地图生成高质量的艺术品。我们的模型能够学习样式和语义信息的结合表示，从而提高生成艺术图像的质量。通过结合数据集和方法，我们能够生成用户可控的高质量艺术作品。

Aug, 2023

本研究提出了基于文本和视觉特征学习技术以及它们的组合来进行艺术作品个性化推荐的方法，并通过小规模和大规模的用户中心评价，证明了文本特征比视觉特征更适合艺术品推荐，而两者的结合则可捕捉到最合适的隐藏语义关系。该研究有助于我们更好地理解如何提供适合用户兴趣和感知的内容。

Feb, 2023

论文提供了一个大型情感分析数据集 (ArtEmis)，用于分析视觉艺术作品与情感体验之间的关联，旨在通过机器学习模型提供情感影响和语言解释之间的详细理解。通过调查人类对于 81,000 幅维基百科艺术作品的情感归属权和解释等信息，对与视觉作品产生情感联系的数据信号进行了精细的建模，进而提出了能够清晰表达视觉刺激的情感并解释其语义和抽象内容的系统。

Jan, 2021

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

通过使用图像和文本，我们研究了艺术品对观众情感的影响，并利用多模态分类任务探究了模型的性能表现，发现单模态多模态 transformer 模型比图像模型和双模态模型性能更好。同时，与文本模型 BERT 相比，采用单模态模型 MMBT 能够提高在极端正负情感类别上的性能。

Oct, 2021

本文研究了如何提取适当的视觉特征，找到学习这些特征的最佳方法，进而学习绘画之间的相似度，探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题，并提出用于美学上的语义层预测，如预测绘画风格，流派和艺术家，实验结果表明该相似度测量方法适用于上述预测任务。

May, 2015

本文提出了两种方法：使用多任务学习模型获取上下文数据以在自动艺术分析中使用上下文，以及通过艺术特定的知识图谱获得上下文，为视觉表示增加上下文艺术信息，以实现艺术作品的分类和检索。

Apr, 2019

本研究探讨零样本语义图像绘画的问题。我们提出了一种新的方法，利用实际的文字描述，在合成图像中添加新的语义概念，通过结合最先进的逼真图像生成模型和文本 - 图像语义相似度网络，使用非梯度方法探索潜在空间，通过放松 GAN 的计算来针对特定区域的变化并进行用户研究进行比较。

Mar, 2021

本文提出了一种语义优化方法，称为视觉语义损失（VSL），以辅助模型专注于图像的主要内容，通过对图像的注释文本的利用，减少次要内容的负面影响，通过两个基准数据集（MSCOCO 和 Flickr30K）的大量实验，证明了该方法的卓越性能。

Apr, 2023