从概念到判断：图像审美评估的可解释方法

图像审美评估（IAA）旨在预测人类感知的图像审美质量。虽然近期的IAA模型实现了强大的预测性能，但它们对驱动预测的因素几乎没有提供任何洞察。然而，就用户而言，理解一幅图像被视为愉悦或不愉悦的原因，与得分本身同样重要，这正是促使可解释性在IAA领域获得关注的动机。当人类评估审美时，他们天然地依赖高层次线索来论证自己的判断。针对这一观察，我们提出一种基于人类可理解审美概念的可解释IAA框架。我们以易于访问的方式学习这些概念，构建形成内在可解释模型基础的子空间。为捕捉超出显式概念之外对审美感知的细微影响，我们引入一种简单而有效的残差预测器。在摄影和艺术数据集上的实验表明，我们的方法在保持竞争的预测性能的同时，能够提供透明、人类可理解的审美判断。