搭建认知鸿沟：用于艺术图像审美评估的层次化描述学习
计算机视觉与模式识别
2026-01-06 v2
摘要
审美质量评估任务是开发人类对齐的定性AIGC评估系统的关键任务，但其内在的复杂性——横跨视觉感知、认知与情感——构成了根本性挑战。虽然审美描述提供了可行的表示方式，但仍存在两个关键挑战：（1）数据稀缺与不平衡：现有数据集过度关注视觉感知，忽略了因人工标注成本高昂而导致的深层维度；（2）模型碎片化：当前视觉网络通过多分支编码器孤立处理审美属性，而以对比学习为代表的多模态方法难以有效处理长篇文本描述。为解决挑战（1），本文首先提出精炼审美描述（Refined Aesthetic Description，RAD）数据集，一个大规模（7万）多维结构数据集，通过无需高额标注成本且易于扩展的迭代流程生成。为解决挑战（2），本文提出ArtQuant，一种用于艺术图像审美评估的框架，不仅将孤立的审美维度通过联合描述生成进行耦合，还通过LLM解码器更好地建模长文本语义。除此之外，理论分析确认了这种共生关系：RAD的语义充分性（数据）与生成范式（模型）共同最小化预测熵，为该框架提供了数学依据。我们的方法在多个数据集上实现了最佳性能，仅需常规训练 epochs 的33%，显著缩小了艺术图像与审美判断之间的认知鸿沟。我们将公开代码与数据集以支持未来研究。
引用
@article{arxiv.2512.23413,
title = {Bridging Cognitive Gap: Hierarchical Description Learning for Artistic Image Aesthetics Assessment},
author = {Henglin Liu and Nisha Huang and Chang Liu and Jiangpeng Yan and Huijuan Huang and Jixuan Ying and Tong-Yee Lee and Pengfei Wan and Xiangyang Ji},
journal= {arXiv preprint arXiv:2512.23413},
year = {2026}
}
备注
AAAI2026,Project Page:https://github.com/Henglin-Liu/ArtQuant