ERNIE-Image-Aes: 兼具类别泛化能力的鲁棒图像美学评分模型
[📄 论文]
🌟 突出优势
ERNIE-Image-Aes 是一款 80 亿参数的视觉-语言图像美学评分模型，基于 ArtiMuse 初始化，并在多样化的专业标注数据集上进行了微调。在不同图像类别的泛化能力方面，它显著优于现有的美学预测模型（LAION-AES、ArtiMuse、UniPercept）。
核心优势：
- 在摄影、动漫、设计、日常快照和胶片摄影等类别上实现均衡预测
- 对特定图像类型（如 AI 生成内容或黑白照片）无系统性偏见
- 采用瑞士锦标赛式的成对标注方法，确保高质量的训练标签
- 在 ERIA-1K 基准测试中达到 0.7445 SRCC 和 0.7598 PLCC
🔍 研究动机
现有美学预测模型普遍存在系统性偏见：
| 模型 | 偏见 |
|---|---|
| LAION-Aesthetic | 对 AI 生成/动漫内容的评分过高 |
| ArtiMuse | 对黑白摄影和日常随意快照的评分过高 |
| UniPercept | 对单色图像有强烈偏好；对随意快照评分过高 |
ERNIE-Image-Aes 通过专门构建的、具有明确类别平衡的标注流程，解决了这些问题。
📊 ERIA-1K 基准测试结果
| 模型 | SRCC | PLCC |
|---|---|---|
| LAION AES | 0.2944 | 0.3138 |
| ArtiMuse | 0.4277 | 0.4704 |
| UniPercept | 0.4533 | 0.4748 |
| ERNIE-Image-Aes | 0.7445 | 0.7598 |
标注协议：
- 采用成对瑞士制锦标赛方法，确保排名稳定且可复现
- 等级标签范围为 1 至 10
- 标注人员均来自专业背景（中央美术学院、四川美术学院、中国传媒大学等）
- 所有标注人员在参与前均通过美学校准筛选
⚙️ 设置
请按照 ArtiMuse 仓库 中的设置说明进行操作。
🙏 致谢
本研究基于 ArtiMuse 和 InternVL-3 开发。我们衷心感谢这些项目的作者为社区所做出的卓越贡献。
✒️ 引用
如果您觉得本研究对您的工作有所帮助，请考虑引用：
undefined