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

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

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

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

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

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

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

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

利用多模式学习查询 (MMLQ) 从多模式预训练特征中提取与美学相关的特征，实验结果表明其在多模式图像美学评估方面取得了新的最优性能，SRCC 和 PLCC 分别超过先前方法 7.7% 和 8.3%。

May, 2024

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