Obwohl die Vorhersage von Gesichtsschönheit (Facial Beauty Prediction, FBP) auf Bildern, die in kontrollierten Umgebungen aufgenommen wurden, eine hohe Genauigkeit erreicht hat, bleibt sie bei Gesichtsbildern aus natürlichen, unkontrollierten Szenen weiterhin eine herausfordernde Aufgabe. Zudem existiert bisher kein Benchmark-Datensatz für FBP, der Bilder mit unterschiedlichen ethnischen, alters- und geschlechtsspezifischen Eigenschaften sowie uneingeschränkten Gesichtsausdrücken und -pose umfasst. In dieser Arbeit wird das Problem der FBP in realen Szenarien adressiert, und ein multikultureller Datensatz für Gesichtsschönheit, namens MEBeauty, vorgestellt. Alle Gesichtsbilder wurden in einer ungehinderten Umgebung aufgenommen und von Freiwilligen verschiedener Ethnien, Altersgruppen und Geschlechter bewertet, um jegliche kulturellen und sozialen Verzerrungen in der Schönheitswahrnehmung zu vermeiden. Auf dem Datensatz werden verschiedene bekannte Convolutional Neural Networks (CNNs) mit layer-wise Transfer Learning evaluiert. Zudem wird die Übertragbarkeit von Wissen aus dem Gesichtserkennungsaufgaben auf die FBP untersucht. Die erwartet hohe Anzahl an abweichenden und Ausreißer-Gesichtern wird berücksichtigt, und die Wirksamkeit verschiedener robuster Verlustfunktionen zur Lernung tiefer Regressionsnetze für die Vorhersage von Gesichtsschönheit wird evaluiert. Mehrere FBP-Frameworks werden auf dem vorgeschlagenen Datensatz sowie auf dem weit verbreiteten SCUT-FBP 5500 getestet, um ihre Wirksamkeit bei Gesichtsbildern in kontrollierten und unkontrollierten Umgebungen zu vergleichen.