Reale Anwendungen könnten von der Fähigkeit profitieren, eine fein granulierte Bewertung der Fotokunstfertigkeit automatisch zu generieren. Bisherige Ansätze zur Analyse der Fotokunstfertigkeit konzentrierten sich jedoch hauptsächlich auf die grobe, binäre Klassifikation von Bildern in Kategorien mit hoher oder niedriger ästhetischer Qualität. In dieser Arbeit schlagen wir vor, ein tiefes konvolutionelles neuronales Netzwerk zu lernen, das die ästhetische Qualität von Fotos in einer Rangfolge bewertet, wobei die relative Rangordnung der ästhetischen Qualität direkt in der Verlustfunktion modelliert wird. Unser Modell integriert die gemeinsame Lernung sinnvoller fotografischer Attribute und informationsreicher Bildinhalte, was zur Regularisierung des komplexen Problems der ästhetischen Bewertung beitragen kann.Zur Trainierung und Analyse dieses Modells haben wir eine neue Datenbank für ästhetische Bewertungen und Attribute (AADB) zusammengestellt, die ästhetische Scores und bedeutungsvolle Attribute enthält, die jeweils von mehreren menschlichen Beurteilern pro Bild zugewiesen wurden. Anonymisierte Identitäten der Beurteiler sind über mehrere Bilder hinweg dokumentiert, sodass wir bei der Berechnung der Rangverluste für Trainingsbilddoppelte eine neuartige Stichprobenstrategie nutzen können, die die Konsistenz innerhalb einzelner Beurteiler ausnutzt. Wir zeigen, dass die vorgeschlagene Stichprobenstrategie äußerst wirksam und robust gegenüber subjektiven Bewertungen der ästhetischen Qualität durch Individuen mit unterschiedlichen ästhetischen Präferenzen ist. Experimente belegen, dass unser integriertes Modell ästhetische Rangfolgen erzeugt, die enger mit menschlichen Beurteilungen übereinstimmen. Um die Leistungsfähigkeit unseres Modells weiter zu validieren, zeigen wir, dass eine einfache Schwellenwertbildung der geschätzten ästhetischen Scores bereits eine state-of-the-art Klassifizierungsergebnisse auf dem bestehenden AVA-Datensatzbenchmark ermöglicht.