얼굴 미적 평가(Facial Beauty Prediction, FBP)는 제한된 환경에서 촬영된 이미지에 대해 높은 정확도를 달성했지만, 실제 생활 환경(인-와일드, in-the-wild)의 얼굴 이미지에 적용할 때 여전히 도전적인 과제로 남아 있다. 또한, 다양한 인종, 연령, 성별 특성을 가진 이미지를 포함하고 있으며, 얼굴 표정과 자세에 제약이 없는 FBP 기준 데이터셋은 존재하지 않는다. 본 연구에서는 현실 세계에서의 FBP 문제를 다루며, 다인종 얼굴 미적 데이터셋인 MEBeauty를 제안한다. MEBeauty의 모든 얼굴 이미지는 제약 없는 환경에서 촬영되었으며, 다양한 인종, 연령, 성별을 가진 자원봉사자들이 평가하여 미적 인식에 대한 문화적·사회적 편향을 최소화하고자 했다. 제안된 데이터셋을 기반으로 레이어별 전이 학습(Layer-wise Transfer Learning)을 적용한 다양한 유명한 CNN 모델을 평가하였다. 또한, 얼굴 인식 작업에서 학습한 지식이 FBP에 어떻게 기여하는지를 분석하였다. 예상되는 높은 수준의 이상치 및 외부 데이터(아웃라이어)를 고려하여, 얼굴 미적 평가를 위한 딥 회귀 네트워크 학습에 다양한 로버스트 손실 함수(robust loss functions)의 활용 효과를 평가하였다. 제안된 데이터셋과 널리 사용되는 SCUT-FBP 5500 데이터셋을 대상으로 여러 FBP 프레임워크를 적용하여, 제한된 환경과 제약 없는 환경에서의 얼굴 이미지에 대한 각 프레임워크의 효과성을 비교 분석하였다.