简约线条，宏大想法：面向人类创意绘画的可解释评估方法
计算机视觉与模式识别
2025-11-21 v2
摘要
通过视觉输出（如绘画）评估人类创造力在心理学、教育和认知科学等领域发挥着关键作用。然而，当前的评估实践仍严重依赖专家主观打分，这既耗费人力且本质上具有主观性。本文提出了一个数据驱动的框架，用于从绘画中实现自动化且可解释的创意评估。我们受认知证据[6]的启发，创意得分可从两个互补维度中体现：即绘画的内容（content）和绘画的方式（style）。具体而言，我们首先扩展现有的以创意为标签的数据集，添加针对内容类别的额外注释。基于丰富后的数据集，我们进一步提出一个同时预测内容、风格和评分的条件模型。特别地，条件学习机制使模型能够根据绘画的风格和语义线索动态调整其视觉特征提取，以适应创意相关信号。实验结果表明，我们的模型在现有基于回归的方法中实现了最佳性能，并提供了可解释的可视化结果，与人类判断高度一致。代码和注释将在 https://github.com/WonderOfU9/CSCA_PRCV_2025 公开。
引用
@article{arxiv.2511.12880,
title = {Simple Lines, Big Ideas: Towards Interpretable Assessment of Human Creativity from Drawings},
author = {Zihao Lin and Zhenshan Shi and Sasa Zhao and Hanwei Zhu and Lingyu Zhu and Baoliang Chen and Lei Mo},
journal= {arXiv preprint arXiv:2511.12880},
year = {2025}
}
备注
We updated the version, expanding related work (acknowledging Nath et al., 2025, Pencils to Pixels: A Systematic Study of Creative Drawings) and clarifying how our model builds upon the content-style framework