DEAR：用于评估渲染美学的数据集
计算机视觉与模式识别
2026-01-15 v4
摘要
传统图像质量评估（IQA）聚焦于量化技术性退化，如噪声、模糊或压缩伪影，使用全参考和无参考客观指标。然而，渲染美学的评估仍未得到充分关注，这与缺乏反映风格偏好内在主观性的数据集有关。本文介绍了一套新型基准数据集，旨在建模人类对图像渲染风格的审美判断：用于评估渲染美学的数据集（DEAR）。该数据集基于 MIT-Adobe FiveK 数据集构建，采用大规模众包方式收集成对的人类偏好得分，每个图像对由 25 位独立的人类评估者评分，总计 13,648 位参与者。这些注释捕捉了细微、情境依赖的审美偏好，使开发和评估超越传统基于失真的 IQA 的模型成为可能，聚焦于一个新的任务：渲染美学评估（EAR）。我们描述了数据收集管道，分析了人类投票模式，并概述了多个用例，包括风格偏好预测、审美基准测试和个性化审美建模。鉴于作者所知，DEAR 是首个系统性地以主观人类偏好为基础来评估图像渲染美学的数据集。DEAR 数据集的一个子集包含 100 张带有注释的图像，已发布于 HuggingFace（huggingface.co/datasets/vsevolodpl/DEAR）。
引用
@article{arxiv.2512.05209,
title = {DEAR: Dataset for Evaluating the Aesthetics of Rendering},
author = {Vsevolod Plohotnuk and Artyom Panshin and Nikola Banić and Simone Bianco and Michael Freeman and Egor Ershov},
journal= {arXiv preprint arXiv:2512.05209},
year = {2026}
}