Die automatisch erlernte Qualitätsbewertung von Bildern ist aufgrund ihrer Nützlichkeit in einer Vielzahl von Anwendungen – beispielsweise zur Bewertung von Bildaufnahme-Pipelines, Speichertechniken und Medienfreigabeprozessen – in letzter Zeit zu einem vielbeachteten Thema geworden. Trotz der subjektiven Natur dieser Aufgabe prognostizieren die meisten bestehenden Methoden lediglich den Mittelwert der menschlichen Bewertungsscores, wie sie in Datensätzen wie AVA [1] und TID2013 [2] bereitgestellt werden. Unser Ansatz unterscheidet sich von anderen dadurch, dass wir die Verteilung menschlicher Bewertungsscores mittels eines konvolutionellen neuronalen Netzwerks vorhersagen. Zudem zeichnet sich unsere Architektur durch eine deutlich einfachere Struktur aus, ohne dass die Leistungsfähigkeit beeinträchtigt wird. Unser vorgeschlagener Ansatz basiert auf dem Erfolg (und der Nachtrainierung) bewährter, state-of-the-art-Netzwerke für tiefe Objekterkennung. Das resultierende Netzwerk ermöglicht nicht nur eine zuverlässige Bildbewertung mit hoher Korrelation zu menschlicher Wahrnehmung, sondern unterstützt auch die Anpassung und Optimierung von Bildbearbeitungs-/Verbesserungsalgorithmen innerhalb eines fotografischen Workflows. Alles ohne die Notwendigkeit eines „goldenen“ Referenzbildes – was eine einbildbasierte, semantisch- und wahrnehmungsorientierte, no-reference-Qualitätsbewertung ermöglicht.