基于属性和内容适应的照片美学排名网络

实际应用可以从自动生成照片美学的细粒度排名中受益。然而，以往的图像美学分析方法主要集中在将图像粗略地分为高美学或低美学两类的二元分类上。在本研究中，我们提出了一种深度卷积神经网络来对照片美学进行排名，其中照片美学的相对排名直接在损失函数中建模。我们的模型结合了有意义的摄影属性和图像内容信息的联合学习，这有助于规范复杂的照片美学评分问题。为了训练和分析该模型，我们构建了一个新的美学和属性数据库（AADB），其中包含由多名人类评分者为每张图像分配的美学分数和有意义的属性。记录了匿名评分者的身份信息，使得我们在计算训练图像对的排名损失时可以利用一种新颖的采样策略来挖掘评分者内部的一致性。我们展示了所提出的采样策略在面对不同审美品味个体对图像美学的主观判断时非常有效且稳健。实验表明，我们的统一模型能够生成与人类评分更为一致的美学排名。为进一步验证我们的模型，我们通过简单地设置估计美学分数的阈值，在现有的AVA数据集基准测试中实现了最先进的分类性能。