走向AI摄影终极之路 AVA数据集后时代与发展?

图像美学数据集 美学数据集一栏表 AVA:A Large-Scale Database for Aesthetic Visual Analysis, 2012年; tid2013 AADB(2016年) PCCD photo critique captioning dataset(2017年) AROD(multi-useragreements and assemble a large dataset)201... 阅读详情

编辑:叶琰

简介

        前面两篇已经介绍过当今最大的美学数据集AVA以及AVA之前的数据集,AVA数据集的发布是2012年,离现在已经过去了5年,在机器学习迭代如此频繁的日子里,必然会出现新的数据集。

        本文就略作介绍,也是数据集介绍的最后一篇文章。在准备好这些之后,就要开始真正的搞起了!

1,AADB【1】(Aesthetic with Attributes Database)

        总的来说,AADB算是AVA数据集的一个补充。标注的方式,是请了5个人,最终的score取5个人的平均值,共10000张图。除了标注分数外,也标注了11个属性。

与AVA数据集的区别主要在于:

    a) AVA中包含了很多非真实的摄影图,以及后期处理过的图,所以AVA中分数超过5分(满分为10分)的占据绝大多数。但是AADB中,则更多地考虑了专业摄影者和普通拍照者图的均衡,基本是1:1。

    b) 由于标注者少,AADB专门去分析了标注者的标注一致性。间接反映出标注者的质量,也就是证明了标注者是具有很高的标注水准。结果具有了很高的一致性,是可靠的;

    c) 关于图像属性,也就是风格的标注,AADB给AVA做了补充。

0?wx_fmt=png

        与AVA一样,AADB也标注了属性,那有什么不同呢?

        那么,我们先回顾一下AVA的14个属性,括号内是包含该属性的图的数量:Complementary Colors (949), Duotones (1,301), High Dynamic Range (396), Image Grain (840), Light on White (1,199), Long Exposure (845), Macro (1,698), Motion Blur (609), Negative Image (959), Rule of Thirds (1,031), Shallow DOF (710), Silhouettes (1,389), Soft Focus (1,479), Vanishing Point (674).

然后我们看看AADB的11个属性。

    1. “balancing element” – whether the image contains balanced elements;

    2. “content” – whether the image has good/interesting content;

    3. “color harmony” – whether the overall color of the image is harmonious;

    4. “depth of field” – whether the image has shallow depth of field;

    5. “lighting” – whether the image has good/interesting lighting;

    6. “motion blur” – whether the image has motion blur;

    7. “object emphasis” – whether the image emphasizes foreground objects;

    8. “rule of thirds” – whether the photography follows rule of thirds;

    9. “vivid color”–whether the photo has vivid color, not necessarily harmonious color;

    10. “repetition” – whether the image has repetitive patterns;

    11. “symmetry” – whether the photo has symmetric patterns.

        除去Shallow DOF,lighting,Rule of Thirds,Motion Blur之外,其他都是多出来的,举了例子如下:

这些属性的分布示例如下:

0?wx_fmt=png

看看他们的标注示意图吧。

高分图:

0?wx_fmt=png

低分图:

0?wx_fmt=png

0?wx_fmt=png

2,AADB之后,文【2】又提出了新的数据集

        说了一下前两者的缺点:

        AVA的主要缺点:很多图都被后期过。

        AADB的主要缺点:基本上是原图,但是数据集太小,标注人员也太少。

        而本文是从flickr爬取的300多万,2004~2016年间的图,每一张图都包括:

        number of views(阅读量), comments(评论), favorite list containing this photo(被喜欢量), title of the image and their description from the Flickr website.

        平均每一张图被访问过7000次。

        这么多的图,显然不可能人工标注:因此采用了上面的一些信息来做标注label

以被喜欢量F(i),比上访问量V(i)的对数,来评估其美学质量,这可以说是一个很客观的指标了:

0?wx_fmt=png

更详细的比较结果如下:

0?wx_fmt=png

3,后续的数据集的展望

        类似于【2】的做法,在【3】中也出现了。

        在看完三个数据集的介绍之后,想必大家心里也有了一个路线图。

        (1) 最开始的时候:数据集比较小,大家只标注个高质量与低质量的二分类。

        (2) 到后来,数据集增加,标注了具体的分数,还增加了属性。

        (3) 到最新,数据集到百万级别,已经无法再做很细致的人工标注,在往无监督的方向。


[1] Kong S, Shen X, Lin Z, et al. Photo Aesthetics Ranking Network with Attributes and Content Adaptation[J]. 2016:662-679.

[2] Schwarz K, Wieschollek P, Lensch H P A. Will People Like Your Image?[J]. 2016.

[3] Suchecki M, Trzcinski T. Understanding Aesthetics in Photography using Deep Convolutional Neural Networks[J]. 2017.

0?wx_fmt=gif


        随着摄影平台积累的数据和用户的手动标注信息越来越多,相关的公司和团队在这个研究上将具有绝对压倒性的优势。

        这里还是给自己的摄影分享公众号《言有三工作室》和摄影平台500px,图虫做个宣传。

        知乎专栏已经开通,欢迎来吐槽,投稿https://zhuanlan.zhihu.com/c_146817036?group_id=923257138554384384

0?wx_fmt=jpeg

0?wx_fmt=jpeg

0?wx_fmt=jpeg

土豪们打个赏就收下了,哈哈哈。

0?wx_fmt=jpeg

图像美学质量评价技术总结 1.1 图像美学(Image Aesthetics)评价数据集: AVA(2012年):西班牙巴塞罗那自治大学计算机视觉中心的Murray等构建了一个面向图像视觉美学质量分析与度量的大规模图像数据库(a large-scale database for aesthetic visual analysis,AVA),采用了从在线图像分享打分网站(dpchallenge.com)下载收集的打分方法,... 阅读详情

相关推荐

ADB.zip AADB_log Sqlserver数据库文件

AADB_log Sqlserver数据库文件

图像美学评分

图像美学评分 图像美学质量评价。在计算视觉美学的研究中,使得计算机或机器人能够“发现图像美”并且“理解图像美”,是当前最活跃的研究主题,也是计算视觉美学研究的第一步。如图3所示,拍摄同样一个场景,通常人们会认为左边图的美感高于右边的图。计算机或机器人是否也能像人一样分辨“美”与“丑”?计算机只有在理解美的基础上,才能智能地美化图像,进而能够创造出美的视觉艺术作品。 图像美学评价数据集 . AVA 数据集 (2012) 西班牙巴塞罗那自治大学计算机视觉中心的Murray等构建了一个面向图像视觉

机器学习,深度学习 7964

AVA美学质量评价数据集下载链接.txt

图像美学质量评价数据集AVA下载链接,可用迅雷下载!文件30G左右较大,建议在网速良好的状态下下载。

《EAT》论文精度:新的图像美学质量评估SOTA的论文(截止2024年10月)

论文提出了新的网络结构让图像美学质量评估实现了新SOTA

my_name_is_learn的博客 2393

手把手教你用RoboTwin训练RDT模型:从环境配置到实战微调(避坑指南)

本文提供了一份详尽的避坑指南,手把手教你如何在RoboTwin开源仿真环境中,从零开始配置环境、采集数据并完成RDT视觉语言动作模型的实战微调。文章涵盖了环境搭建、数据流水线构建、模型配置与训练等关键步骤,旨在帮助研究者和开发者高效利用仿真数据,低成本探索具身智能应用。

weixin_29094979的博客 133

程序化广告行业(23/89):深度剖析广告效果评估指标

大家好,我一直希望能和大家一起在技术领域不断探索、共同进步。在之前的文章中,我们了解了程序化广告中腾讯的业务布局和广告效果评估的基础概念,今天让我们进一步深入剖析广告效果评估的各项指标,这对理解程序化广告的运作机制至关重要

yyy173611的博客 4866

图像构图评估数据库 CADB 深度探索

图像构图评估数据库 CADB 深度探索 在艺术与科技的交汇处,一个创新的开源项目正等待着摄影爱好者、艺术家以及AI研究者的探索——《图像构图评估数据库》(CADB)。这个项目旨在评估并推动图像的整体构图质量评判标准,对于提升摄影作品和视觉传达美学至关重要。今天,让我们一同深入CADB的世界,揭秘其背后的革新技术,并探讨它在多个领域的广泛应用。 项目介绍 CADB是由BMVC 2021认可的首个专注...

gitblog_00666的博客 910

STM32开发工具链选型:MDK、CubeIDE、VSCode与IAR深度对比

嵌入式开发工具链是连接软件逻辑与硬件行为的核心枢纽,其选择直接影响代码可靠性、调试效率与量产稳定性。从编译器优化能力、调试协议支持(如ARM CoreSight、SWO)、硬件抽象层级(寄存器/LL/HAL)到跨平台构建能力,不同工具在实时性保障、静态分析合规性(如MISRA-C)、WCET可预测性及生态开放度上存在本质差异。尤其在STM32平台,Keil MDK凭借深度调试能力成为HardFault定位首选,STM32CubeIDE依托图形化配置加速外设初始化,而VSCode+PlatformIO则以LS

weixin_42602368的博客 430

flickr数据集_【技术综述】AVA数据集后时代与展望

本文首发于微信公众号《有三AI》走向AI摄影终极之路 AVA数据集后时代与发展?​mp.weixin.qq.com前面已经介绍过当今最大的美学数据集AVA以及AVA之前的数据集,AVA数据集的发布是2012年,离现在已经过去了5年,在机器学习迭代如此频繁的日子里,必然会出现新的数据集。本文就略作介绍,也是数据集介绍的最后一篇文章。在准备好这些之后,就要开始真正的搞起了!1, AADB【1】(Aes...

weixin_28914869的博客 1094

相机标定-张正友棋盘格标定法

(X,Y,Z)为在世界坐标系下一点的物理坐标 ( u , v ) 为该点对应的在像素坐标系下的像素坐标 引入齐次坐标的原因:引入齐次坐标的目的是为了升维,将坐标从二维坐标变为三维坐标。 2.相机成像过程 相机成像系统中,共包含四个坐标系:世界坐标系、相机坐标系、图像坐标系、像素坐标系。 (1)世界坐标系(,,) 描述目标在真实世界中的位置引入的参考坐标系。 (2)相机坐标系(,,) ...

qq_41275123的博客 1万+

基于Jeecgboot3.9.0的flowable7.2.0流程增加一个OA请假单功能例子(二)

基于Jeecgboot3.9.0的flowable7.2.0流程增加一个OA请假单功能例子(二)

宁波阿成的博客 202

终极图像质量评估指南:用AI算法为图片精准打分,让质量检测更智能

在数字化时代,每天产生数以亿计的图片,但如何快速、准确地评估这些图像的质量?image-quality-assessment项目基于卷积神经网络,能够智能预测图像的美学和技术质量,为图片质量检测带来了革命性突破。 ## 🤖 什么是图像质量评估? 图像质量评估(Image Quality Assessment, IQA)是通过AI算法对图片进行客观评分的技术。不同于传统的主观评价,AI评估能够

gitblog_00576的博客 1092

18、偏微分方程数值计算:粘性不可压缩流与电磁学的有限元方法

本文系统介绍了偏微分方程数值计算在粘性不可压缩流与电磁学中的应用,重点探讨了稳态与非稳态Navier-Stokes问题的混合有限元方法及求解技术,包括弱形式构建、半离散与时间离散格式、牛顿迭代法等。同时,详细阐述了电磁学中Maxwell方程的有限元与时域有限差分法(FDTD)求解方法,涵盖时间谐波与时域波方程、边界条件处理、稳定性分析与误差估计。结合MATLAB代码示例和实际案例,展示了速度场、压力、电场与磁场的数值模拟过程,并通过流程图与表格对比了两类问题的方法原理、应用场景与收敛性特性。最后展望了多物理

lemon的博客 91

如何用深度学习实现图像质量评估?AI图像质量评分终极指南

你是否曾为海量照片筛选而烦恼?从手机相册到电商平台,每天面对成千上万张图片,如何快速识别出高质量的作品?传统的人工筛选不仅耗时费力,更难以形成统一标准。今天,我要向你介绍一个强大的开源工具——**图像质量评估**(Image Quality Assessment),它能像专业摄影师一样为每张图片打分,通过深度学习模型提供客观的美学和技术评分。 这个基于Google NIMA(Neural Ima

gitblog_00523的博客 316

提示词驱动的智能合同生成与审核

第1章:核心概念与背景 1.1.1 问题背景 1.1.1.1 合同生成与审核的需求 合同作为商业和法律领域中的基本工具,其生成和审核过程至关重要。传统的合同生成往往依赖于法律专业人士的手工撰写,这不仅耗时耗力,而且容易出现错误。此外,合

AI天才研究院 1003

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

终极图像质量评估指南:如何用AI让计算机看懂你的照片好坏

你是否曾面对数百张照片无从下手?想从海量图片中快速筛选出最佳作品?今天,我要为你介绍一个革命性的开源工具——image-quality-assessment,它能用AI技术自动评估图像的美学质量和技术质量,帮你轻松解决图片筛选难题。这个基于深度学习的图像质量评估系统,让计算机像专业摄影师一样看懂照片的好坏,为每张图片提供客观的1-10分评分。 ## 你的图片筛选困境,AI来帮你解决 想象一下这

gitblog_00786的博客 283

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

如何用AI自动评分图像质量?NIMA:终极深度学习图像评估工具详解

你是否曾困惑于如何客观评价一张照片的美学质量?**Neural Image Assessment(NIMA)** 是一款基于深度学习的开源工具,能够自动为图像分配均值和标准差评分,帮助开发者、摄影师和设计师快速筛选高质量图像。无论是批量质检还是优化生成图像质量,NIMA都能提供精准高效的解决方案。 ## ???? NIMA核心功能:不止于打分的图像评估神器 NIMA的核心优势在于将复杂的人类视觉感...

gitblog_00155的博客 1634

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

智能图像质量评估终极指南:如何快速检测图片质量

图像质量评估是现代视觉应用中不可或缺的一环,无论是摄影爱好者优化作品,还是电商平台筛选商品图片,都需要可靠的质量检测工具。GitHub 加速计划下的 **image-quality-assessment** 项目,基于深度学习技术提供了自动化的图像美学和技术质量评分解决方案,让你无需专业知识也能快速判断图片质量。 ## 什么是图像质量评估?为什么它很重要? 📷 图像质量评估(IQA)是通过算

gitblog_00957的博客 761

深度学习图像质量评估终极指南:3步让计算机看懂好照片

你是否曾为海量照片筛选而烦恼?面对数千张旅行照片、产品图片或用户上传内容,传统的人工筛选不仅耗时费力,更难以保持统一标准。现在,通过深度学习图像质量评估技术,你可以让计算机像专业摄影师一样自动识别高质量图片!这个开源项目基于Google的NIMA研究,提供美学和技术双重评分系统,帮你快速筛选出最佳图像。 ## 为什么需要图像质量评估? 想象一下,你正在运营一个电商平台,每天需要审核数百张商品图

gitblog_00015的博客 237

终极神经图像评估指南:让AI成为你的专业图像质量检测员 [特殊字符]

在数字图像爆炸式增长的今天,如何快速评估海量图像的美学质量?如何让计算机理解人类对美的感知?这就是神经图像评估(Neural Image Assessment,简称NIMA)要解决的终极问题!本文将带你全面了解这个强大的图像质量评估工具,让你轻松掌握AI如何像专业摄影师一样评判图像质量。 ## 🚀 为什么你需要神经图像评估? 想象一下,你有一个包含数万张图片的相册,手动筛选高质量图片需要数天

gitblog_00369的博客 339

AI文件重命名终极指南:5步掌握智能文件管理

还在为杂乱无章的文件名烦恼吗?AI-Renamer让文件管理变得智能化——只需简单命令,AI就能根据文件内容自动生成精准描述性文件名。无论是图片、视频还是文档,都能获得贴切的命名,彻底告别手动重命名的时代。 ## 文件管理痛点与AI解决方案 现代用户面临的文件管理挑战日益增多,传统的手动重命名方式效率低下且容易出错。AI智能文件重命名技术应运而生,通过深度学习模型理解文件内容,自动生成符合语义

gitblog_00284的博客 803

神经图像评估:用AI为你的图片打分,打造智能视觉体验

你是否曾经面对成千上万张照片,不知如何挑选出最美的那一张?或者需要自动筛选出高质量的图片用于网站展示?**神经图像评估(NIMA)** 正是解决这些问题的终极工具。这是一个基于深度学习的开源项目,能够像人类一样评估图片的美学质量,为每张图片提供专业的评分。 想象一下,你的电脑里有一个专业的视觉评审师,能够快速分析图片的构图、色彩、清晰度和艺术价值,并给出客观的评分。这就是 NIMA 带来的变革—

gitblog_00844的博客 388

终极AI文件管理神器:5分钟上手智能重命名

还在为杂乱无章的文件名头疼吗?每次整理照片、视频、文档时,面对那些毫无意义的"IMG_001.jpg"、"VID_2023.mp4",是不是觉得特别浪费时间?今天我要分享一个能让你彻底告别手动重命名噩梦的智能文件重命名工具——AI-Renamer,只需5分钟就能掌握核心用法,让文件管理效率提升300%! 想象一下,你刚结束一次旅行,相机里存着几百张照片,每张都是"IMG_日期.jpg"这样的名字

gitblog_00997的博客 1159

终极指南:如何用神经网络自动评估图像质量(NIMA完整教程)

想要让计算机像人类一样评价图像质量吗?NIMA(神经图像评估)项目为您提供了一个简单、免费的解决方案!这个基于深度学习的图像质量评估工具能够预测人们对图像的主观评分分布,超越传统技术手段,不仅能衡量像素级降质,还能捕捉图像情感和美感等语义特征。通过训练模型识别图像中的噪声、模糊、压缩伪影等问题,NIMA旨在提供更精准的图像质量预测。 ## 🎯 NIMA的核心优势:为什么选择神经网络图像评估?

gitblog_01324的博客 391
上一篇: 传统方法怎么玩计算机审美
下一篇: 从alexnet到resnet,初探深度学习算法玩摄影
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3636粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值