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

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

本文探讨图像情感分析中视觉显著性与情感之间的微妙而全面的相互作用，并使用现有技术对图像进行分析，试图阐明显著区域的情感如何影响图像的整体情感，研究结果表明了显著性与情感之间的相关性，并为可视化情感唤起机制提供了新颖的见解。

Nov, 2016

通过众包实验和单词嵌入，本文研究了文化对视觉情感感知的影响，并提供了一种有效的聚类框架，以探索、检索和浏览数据集中的多语言情感视觉概念，并通过基于众包的情感注释等新颖度量方法进行了评估。

Jun, 2016

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

本文介绍一项研究，通过一个包含 85,007 张公开图片、526,749 个情感反应和自由文本解释的大规模数据集，探讨使用自然语言表达对给定视觉刺激的情感反应所引起的情绪反应。研究提出了三个问题来解决这个新任务，并介绍了一些方法和开源数据集。

Oct, 2022

提出一种基于用户评论的图像审美预测方法，使用视觉 - 语言预训练模型学习图像的审美表现，结合排名适配器模块设计了一种高效的模型适配方法。实验结果表明，该模型在图像美学字幕生成、零样本风格分类和零样本图像审美评价等任务上表现良好，达到了预先训练模型的最佳性能。

Mar, 2023

通过对 12 个不同美学评分数据集的比较，本文发现不同数据集中的美学评分可预测性存在显著差异，并发现照片和绘画的美学评价具有一致性，但这些差异也在一定程度上对单一数据集的研究结果具有普适性的假设提出了质疑。

Jul, 2023

本研究提出了一项挑战性任务 VEIT（Visual Emotion Interpretation Task），并通过专业注释的心理理论支持数据集 SpyIn 进行了实验。研究表明，VEIT 是一项需要场景图信息和心理知识的更具挑战性的任务，并且有望通过视觉创作分析和解释人类内在世界。

Feb, 2023

本文提出了 Reddit Photo Critique Dataset（RPCD），包含 74K 的图像和 220K 条评论，该数据集不同于以往的计算机美学数据集，主要体现在三个方面：（i）数据集的大规模和评论中批评图像不同方面；（ii）大多数为 UltraHD 图像；（iii）可通过自动流水线轻松扩展到新数据。本文通过情感评价来评估视觉刺激的美学质量，并表明情感极性与两个审美评估基准可用的审美判断正相关，在此基础上，将评论的情感分数用作图像排名的目标。

Jun, 2022