个体差异在当前计算图像审美方法中的作用

图像审美评估（IAA）旨在评估图像的审美水平，这一任务因图像的多样性和用户的主观性而复杂。当前方法采用两阶段方法：通用IAA（GIAA）模型估计平均审美得分，而个人IAA（PIAA）模型通过迁移学习适配GIAA以纳入用户主观性。然而，关于迁移学习在GIAA和PIAA之间的作用，特别是涉及群体组成、群体规模、群体间及个体间的审美差异以及人口统计特征关联的理论理解仍不完善。本工作为IAA建立理论基础，提出统一模型以分布格式编码个体特征，同时支持个体和群体评估。我们表明，从GIAA到PIAA的迁移涉及外推，而相反则涉及插值，后者通常更有效。通过大量实验讨论不同群体组成，包括按群体规模抽样和人口统计学无交集情况，揭示即使在GIAA下，性能也存在显著波动，挑战了“平均化得分消除个体主观性”的假设。利用Earth Mover's Distance（EMD）和Gini指数进行得分分布分析，识别出教育背景、摄影经验和艺术经验是审美差异的关键因素，艺术作品的主观性显著高于摄影作品。代码已公开于 https://github.com/lwchen6309/aesthetics_transfer_learning。