基于相对排名学习细粒度图像审美评估：学习判别性评分
密码学与安全
2026-03-06 v2
摘要
图像审美评估（IAA）在内容创建、相册管理和推荐系统等领域具有广泛应用。 在这些应用中，常需要从一系列具有细微审美差异的图像中挑选出最具审美价值的图像，我们将其称为细粒度 IAA。不幸的是，最先进的 IAA 模型通常为粗粒度评估设计，在显著的审美差异的图像上独立地以绝对尺度进行评估。这些模型在判别细粒度审美差异方面本质上受限。为解决这一困境，我们贡献 FGAesthetics，一个包含 32,217 张图像、由 10,028 个系列组织的细粒度 IAA 数据库，这些系列来自自然、AIGC 和裁剪等多样类别。通过每个系列内的两两比较收集注释。我们还设计了 Series Refinement 和 Rank Calibration 以确保数据和标签的可靠性。基于 FGAesthetics，我们进一步提出 FGAesQ，一个通过差异保持分词（DiffToken）、比较文本对齐（CTAlign）和基于排名的回归（RankReg）从相对排名中学习判别性审美评分的新型 IAA 框架。FGAesQ 在细粒度场景中实现了准确的审美评估，同时仍保持粗粒度评估的竞争性能。大量实验和比较表明，所提方法优越。
引用
@article{arxiv.2603.03906,
title = {Measuring Privacy vs. Fidelity in Synthetic Social Media Datasets},
author = {Henry Tari and Adriana Iamnitchi},
journal= {arXiv preprint arXiv:2603.03906},
year = {2026}
}