Menschen beurteilen oft die ästhetische Qualität eines Bildes gleichzeitig mit der Identifizierung seines semantischen Inhalts. Diese Arbeit behandelt die Korrelationsfrage zwischen der automatisierten Beurteilung der ästhetischen Qualität und der semantischen Erkennung. Wir formulieren das Beurteilungsproblem als Hauptaufgabe innerhalb eines mehrfach aufgeklärten tiefen Modells und argumentieren, dass die semantische Erkennungsaufgabe den Schlüssel zur Lösung dieses Problems darstellt. Auf Basis von Faltungsneuralen Netzen (CNNs) verwenden wir einen einheitlichen und einfachen mehrfachen Aufgaben-Framework, um die Aufsicht durch ästhetische und semantische Labels effizient auszunutzen. Zudem integrieren wir eine Korrelationskomponente in den Rahmen, die den intertask-Bezug berücksichtigt. Diese Komponente liefert nicht nur wertvolle Einsichten in die Beziehung zwischen den beiden Aufgaben, sondern verbessert auch die Genauigkeit der ästhetischen Beurteilung. Insbesondere wird eine effektive Strategie entwickelt, um ein Gleichgewicht zwischen den beiden Aufgaben zu gewährleisten, was die Optimierung der Modellparameter erleichtert. Umfangreiche Experimente auf den anspruchsvollen Datensätzen AVA und Photo.net bestätigen die Bedeutung der semantischen Erkennung für die ästhetische Qualitätsbewertung und zeigen, dass mehrfache tiefgreifende Modelle effektive ästhetische Repräsentationen entdecken können, um Ergebnisse auf aktuellem Stand der Technik zu erzielen.