May, 2023

学习评估人工智能生成图像的艺术性

PDF
TL;DR本文提出了 ArtScore 指标，用于评估一个图像与艺术作品之间的相似程度，并介绍了该指标的实现方法。经过实验，ArtScore 评估结果更接近于人类的艺术评估，相对于其他评估方法，比如 Gram Loss 和 ArtFID 更加准确。
ai-generated imagesartscore metricinstance-level evaluationreference-free evaluationneural network
发现论文，激发创造
  • 对抗性人工智能艺术：理解、生成、检测和基准测试

    该研究论文提出了一种系统性尝试，以理解和检测在对抗场景中生成的 AI 图像（AI 艺术）。该论文收集和分享了一个名为 ARIA 的数据集，其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行用户研究和基准测试，评估了真实世界用户和现有 AI 图像检测器在识别这些图像上的能力，并介绍了一个 ResNet-50 分类器，并评估了它在 ARIA 数据集上的准确性和可迁移性。

    Apr, 2024

  • 评估创意作品的机器学习方法

    提出基于回归的学习框架，从创意的关键标准（如新颖、影响力、价值和意外性）的量化角度来评估创意。在电影数据集上进行实验，结果显示：1）创意标准与评论员分数的相关性，2）包含各种创意标准时可以提高电影评分预测的准确性，3）鉴别创意电影。

    Jul, 2017

  • ArtBench 数据集：以艺术品为样本评估生成模型

    ArtBench-10 是第一个用于艺术品生成基准测试的平衡、高质量、干净注释和标准化数据集，其中包含了 60000 个艺术品图像，可用于流行的机器学习框架。

    Jun, 2022

  • 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

  • AI 艺术神经星座：揭示 AI 生成和人类艺术的集体和对比状态

    通过比较分析 AI 生成的艺术与人类艺术，揭示了生成式机器学习在艺术创作中的创造潜力，发现 AI 生成的艺术作品与现代艺术概念相关，同时通过色彩构成和主题熟悉度来推测艺术品的喜好和情感体验。

    Feb, 2024

  • 大规模艺术绘画分类：在正确的特征上学习正确的度量

    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

  • 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

  • 评估生成对抗网络的神经 - AI 接口

    本研究提出了一种 Neuroscore 测评策略，该策略通过利用脑信号更直接地反映心理感知图像质量，优于现有算法并能够基于单个 GAN 排名图像质量，同时，本研究还介绍了基于卷积神经网络的神经 - 人工智能接口，可以直接从 GAN 生成的图像中预测 Neuroscore。

    Mar, 2020

  • 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

  • 审美感知音乐推荐的排序复杂度审美评估模型

    通过使用 Birkhoff 的美学度量来设计一种客观测量音乐美感的美学模型，并根据音乐的美感形成推荐列表，以提高人工智能音乐生成的质量和指导计算机音乐制作、合成和推荐等任务的研究。

    Feb, 2024