CVPRMar, 2023

走向艺术图像美学评估：一个大规模数据集和一种新方法

PDF
TL;DR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。
image aesthetics assessmentartistic imagesdatasetsaanart assessment
发现论文，激发创造
  • 可学习查询的图像美学评估

    通过可学习的查询（IAA-LQ）方法，从预训练的图像特征中提取美学特征，对图像进行美学评估，在真实世界数据上表现优于最先进的方法 2.2％的 SRCC 和 2.1％的 PLCC。

    Sep, 2023

  • 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

  • UNIAA: 统一的多模态图像审美评估基准和参考

    通过提出统一多模态图像审美评估（UNIAA）框架，包括带有视觉感知和语言能力的多模态大型语言模型（MLLM）UNIAA-LLaVA 以及一个全面的基准 UNIAA-Bench，本文将图像审美评估（IAA）的成本降低，并通过解决现有数据集转化问题，在多个审美水平上验证了 UNIAA 的有效性和合理性。

    Apr, 2024

  • 使用丰富属性进行个性化图像美学评估

    介绍了一个包含丰富注释的新 Personalized image Aesthetics database with Rich Attributes (PARA) 和一个基于条件先验的 PIAA 模型，从而解决了现有 PIAA 数据库中存在的主观性不足和主题方面不多样的问题。

    Mar, 2022

  • 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

  • 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

  • 混合多属性数据集上的图像美学属性评估

    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

  • 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

  • 基于自监督学习的儿童绘画美学评估

    通过自我监督学习方法构建一个儿童绘画美学评估数据集，设计一个包括特征提取模块、感知模块和分解评估模块的流程，并通过定性和定量实验与其他五种方法在 AACP 数据集上进行比较，发现我们的方法可以准确捕捉美学特征，并达到最先进的性能。

    Mar, 2024

  • 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