学习在学习之前观察：将人类视觉认知融入审美质量评估
计算机视觉与模式识别
2026-04-20 v1
摘要
自动化审美质量评估（AQA）将图像主要视为静态像素向量，主要通过语义感知与人类评分一致。然而，这一范式与人类审美认知不同，后者源于由扫描路径塑造的动态视觉探索，受处理流畅性以及底向显著性与顶向意图之间的相互作用影响。在本文中，我们引入AestheticNet，这是一种新颖的认知感知式AQA范式，其集成了人类类似的视觉认知与语义感知，并采用两种路径架构。视觉注意力路径作为基于注视对齐的视觉编码器（GAVE）实现，预先在眼动数据上使用资源高效的方法进行训练，建模来自人类视觉系统的注意力。这一路径通过跨注意力融合来增强语义路径，而语义路径使用诸如CLIP等固定语义编码器。视觉注意力提供一种认知先验，反映前景/背景结构、颜色级联、亮度和照明，这些都是超越语义的审美感知决定因素。通过假设检验验证的实验显示，与仅使用语义的基线方法相比，本方法表现出一致的改进，表明注视模块作为一种模型无关的纠正器与多样的AQA Backbone兼容，支持人类类似的视觉认知对AQA的必要性和模块性。我们的代码可在https://github.com/keepgallop/AestheticNet上获取。
引用
@article{arxiv.2604.15853,
title = {Learning to Look before Learning to Like: Incorporating Human Visual Cognition into Aesthetic Quality Assessment},
author = {Liwen Yu and Chi Liu and Xiaotong Han and Congcong Zhu and Minghao Wang and Sheng Shen},
journal= {arXiv preprint arXiv:2604.15853},
year = {2026}
}
备注
Accepted for Poster Presentation at CogSci 2026