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

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。

Mar, 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

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

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

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