Dec, 2023

从整体分数标签学习预测各种美学属性集的分数

PDF
TL;DR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。
mobile phonesdeep-learning modelsimage aesthetic attribute scoresf2s modelattribute features
发现论文，激发创造
  • 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

  • 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

  • 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

  • 一种深度架构用于统一美学预测

    本研究提出了一种预测图像美学得分分布的新型网络架构及其训练方法，该模型在使用单一模型仅进行分布预测任务的情况下，在标准的 AVA 大规模基准数据集上实现了美学质量分类、美学得分回归和美学得分分布预测三个任务的最新成果。同时，我们还介绍了一种改变图像预测美学的方法，并使用这种修改来了解我们的模型。

    Aug, 2017

  • 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

  • 通过自监督特征学习重新审视图像美学评估

    本文通过自监督特征学习的视角重新探讨了图像审美评估问题，并针对编辑操作设计了两个新颖的预训练任务，实现了从图像中提取审美感知特征。在三个基准数据集上进行的实验表明，该方法能够有效地提取特征并且超越了其他预训练模式，并达到了使用 ImageNet 1000 万标签的监督方法的可比较结果。

    Nov, 2019

  • 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

  • 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

  • 图像风格识别

    本研究探讨了计算机视觉中图像风格对于图像感知的影响，通过使用多层网络训练得出最佳效果的图像特征进行分类，并成功将这些分类器扩展到 tag-based image search 中，以提高搜索的效果。

    Nov, 2013