AAAINov, 2019

通过自监督特征学习重新审视图像美学评估

PDF
TL;DR本文通过自监督特征学习的视角重新探讨了图像审美评估问题，并针对编辑操作设计了两个新颖的预训练任务，实现了从图像中提取审美感知特征。在三个基准数据集上进行的实验表明，该方法能够有效地提取特征并且超越了其他预训练模式，并达到了使用 ImageNet 1000 万标签的监督方法的可比较结果。
visual aesthetic assessmentself-supervised feature learningpretext tasksbinary aesthetic classificationbenchmark datasets
发现论文，激发创造
  • 图像美学评估：实验调查

    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

  • 神经美学图像评估器

    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

  • 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

  • 发现美学图像分析的美丽属性

    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

  • 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

  • 使用语义信息进行深度审美质量评估

    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

  • 自监督表示学习的自动快捷方式移除

    自我监督视觉表示学习中，通过预训练任务训练特征提取器，提出了使用 lens 网络来减少对抗攻击漏洞，通过对图片进行微小修改，最大限度地减少了自我监督学习中的 “捷径” 特征的影响。

    Feb, 2020

  • 时尚搭配自监督视觉属性学习

    本文提出了一种自监督学习的框架，通过针对颜色和纹理设计的三个自监督任务，实现了不使用标签的颜色和纹理感知特征学习，并在多个数据集上取得了较好的性能。

    Aug, 2020

  • 基于美学的服装推荐

    本文提出了一种将审美特征引入衣服推荐系统的方法，首先介绍了一个预先训练的用于审美评估任务的神经网络提取审美特征，然后提出一个新的张量分解模型以个性化的方式整合这些特征，实验证明这种方法能够捕捉用户的审美偏好并且显著优于其他推荐方法。

    Sep, 2018