本文研究了如何提取适当的视觉特征，找到学习这些特征的最佳方法，进而学习绘画之间的相似度，探讨了构建多媒体系统来存档和检索艺术品数字化收藏的相关问题，并提出用于美学上的语义层预测，如预测绘画风格，流派和艺术家，实验结果表明该相似度测量方法适用于上述预测任务。

May, 2015

该研究提出了SemArt，一个多模态数据集，以进行语义艺术理解，包括将视觉和文本表现编码成共同的语义空间，以及Text2Art挑战，即通过艺术文本检索相关艺术品。在测试样本中，最佳方法可以在前10个排名的图像中找到正确的图像率达45.5％。

Oct, 2018

本文介绍了一种新的绘画数据集，使用卷积神经网络对基督教宗教绘画中的圣徒图像进行分类，并得到了良好的性能表现。研究结果表明，这种分类器可以有效地识别每个圣徒的独特视觉特征，以进行图像自动解析和比较，以支持图标学的研究和自动艺术作品注释。

Oct, 2020

本文介绍了一种机器学习系统，可以用视觉元素和艺术原则对美术作品进行量化分析。通过代理学习机制，该框架可以解决诸如高视觉复杂性和训练数据不足的实际限制问题，并在 Visual Concepts 数量化方面得到证实。

Jan, 2022

本研究提出了基于文本和视觉特征学习技术以及它们的组合来进行艺术作品个性化推荐的方法，并通过小规模和大规模的用户中心评价，证明了文本特征比视觉特征更适合艺术品推荐，而两者的结合则可捕捉到最合适的隐藏语义关系。该研究有助于我们更好地理解如何提供适合用户兴趣和感知的内容。

Feb, 2023

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

GOYA 是一种基于生成模型的绘画内容与风格分离的艺术分析方法，实验表明其可以更好地获取艺术作品的语义概念与视觉外观信息。

Apr, 2023

通过比较分析AI生成的艺术与人类艺术，揭示了生成式机器学习在艺术创作中的创造潜力，发现AI生成的艺术作品与现代艺术概念相关，同时通过色彩构成和主题熟悉度来推测艺术品的喜好和情感体验。

Feb, 2024

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

本研究探讨了大型视觉语言模型（VLMs）在艺术作品分类，特别是绘画风格分类中的表现，这一领域通常由艺术史学家主导。通过分析四种VLMs并利用两个公共艺术作品基准，我们发现这些模型在艺术风格、作者和时期的零样本分类中表现出一定的能力，推动了艺术作品分类的研究进展。

Sep, 2024