AAAIMar, 2024

基于自监督学习的儿童绘画美学评估

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 来自弱标注照片的美学图像字幕生成

    本文介绍了如何通过使用基于网站提供的图片和嘈杂的评论的自动清洗策略创建一个用于美学图像标题生成的基准数据集（AVA-Captions）。同时，还介绍了一种概率的标题过滤方法，以及利用美学属性间的潜在关联性进行卷积神经网络（CNN）特征提取器的训练的策略。该策略是弱监督的，并可用于学习丰富的美学表示，无需昂贵的标注。最后，文章通过自动度量和主观评价展示了所提出贡献的全面分析。

    Aug, 2019