MMJul, 2022

混合多属性数据集上的图像美学属性评估

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 图像美学属性评估

    本文介绍了一种通过文本对图像进行审美属性评估的方法，提出了一种新的图像审美评估公式，即预测每个属性的审美特征标题以及每个属性的审美得分，并介绍了一种新的数据集 DPC-Captions。我们使用特殊设计的 AMAN 模型来预测 5 个审美属性的标题和每个属性的数值评估，证明了我们的方法优于传统的 CNN-LSTM 模型和现代的 SCA-CNN 模型。

    Jul, 2019

  • 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

  • 不同艺术类别的绘画和素描审美评估与丰富属性

    该研究介绍了一个专门为绘画领域而设计的多属性、多类别的数据集 APDD，其中包含 24 个艺术类别和 10 种不同的审美属性。同时，提出了一种名为 AANSPS 的创新方法，用于评估混合属性艺术数据集中的审美属性。该研究的目标是促进绘画和素描审美评估领域的发展，丰富现有的资源和方法论，以进一步推动该领域的应用和发展。

    May, 2024

  • 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

  • 从整体分数标签学习预测各种美学属性集的分数

    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

  • UMAAF：透过图像的多样属性揭示美学

    在智能手机和网站日益普及的背景下，图像美学评估变得越来越重要。本研究提出了一种统一的多属性美学评估框架（UMAAF），以模拟图像的绝对属性和相对属性。UMAAF 在图像绝对属性方面使用多个模块和交互网络来提取属性特征，并通过相对属性的相对关系损失函数进一步优化模型的鲁棒性。在多个实验证明了各模块的有效性和与人类偏好一致性之后，UMAAF 在 TAD66K 和 AVA 数据集上取得了最先进的性能。

    Nov, 2023

  • 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

  • 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

  • 走向艺术图像美学评估：一个大规模数据集和一种新方法

    本研究提出了一个大规模的 Boldbrush 艺术图像数据集，并采用 SAAN 方法从中提取和利用风格专属和通用美学信息来评估艺术图像，结果表明该方法在数据集上表现优异，这为未来的艺术图像美学评估研究提供了基础。

    Mar, 2023