SCUT-FBP5500：一个多范式面部 beauty 预测的多样化基准数据集 注：在正式的学术翻译中，“beauty”通常会直接译为“美丽”，但为了保持原文的术语一致性，这里保留了“beauty”。如果需要更自然的表达，可以将其改为“美丽”。

面部美丽预测（FBP）是一个重要的视觉识别问题，旨在评估面部吸引力，使其与人类感知相一致。为了解决这一问题，引入了各种数据驱动模型，尤其是最先进的深度学习技术，而基准数据集成为实现FBP的关键要素之一。以往的研究将面部美丽识别表述为特定的监督学习问题，如分类、回归或排序，这表明FBP本质上是一个具有多种范式的计算问题。然而，大多数FBP基准数据集是在特定的计算约束下构建的，这限制了在这些数据集上训练的计算模型的性能和灵活性。本文认为FBP是一个多范式计算问题，并提出一个新的多样化基准数据集——SCUT-FBP5500，以实现多范式的面部美丽预测。SCUT-FBP5500数据集包含总计5500张正面人脸图像，具有多样化的属性（男性/女性、亚洲人/高加索人、年龄）和多样化的标签（面部特征点、美颜评分范围[1, 5]、美颜评分分布），允许不同范式的计算模型进行不同的FBP任务，例如基于外观/形状的亚洲人/高加索人男性/女性面部美丽分类/回归模型。我们使用不同的特征组合和预测器以及各种深度学习方法对SCUT-FBP5500数据集进行了评估。结果表明，该数据集在提高FBP性能方面取得了进展，并展示了基于SCUT-FBP5500的潜在应用价值。