基于比较判断的深度学习艺术评估建模：预测审美偏好的方法

建模视觉艺术中人类审美判断 presented significant挑战，由于个人偏好差异以及获取标记数据成本高昂。为减少获取此类标签的成本，我们提出采用基于两两偏好评估的比较学习框架，而非直接评分。这种方法利用比较判断定律，该定律指出相对选择在认知负担和认知一致性方面小于直接评分。在作品图像中使用ResNet-50提取深层卷积特征，并开发了深度神经网络回归模型和双分支两两比较模型。我们探讨了四个研究问题：（RQ1）提出的深度神经网络回归模型与基线线性回归模型使用手工特征相比如何比较？（RQ2）在缺乏直接评分值的情况下，两两比较学习与回归基于预测相比较如何？（RQ3）我们能通过在评估者内部和跨评估者分析预测个体偏好吗？（RQ4）在人类时间和 effort方面，直接评分与比较判断之间的注释成本权衡是什么？我们的結果表明，深度回归模型显著优于基线，实现了最高可达$328\%$的$R^2$改进。尽管没有获取直接评分值，比较模型仍接近回归性能，验证了两两比较在大规模偏好建模中的实用性。然而，预测个体偏好仍具有挑战性，无论是在评估者内部还是跨评估者方面的性能都显著低于平均评分预测。人类主观实验揭示，比较判断在每个项目上的注释时间减少了$60\%$，在大规模偏好建模中显示出更好的注释效率。