Aesthetic mixed dataset with attributes(AMD-A)

AMD-A数据集是由北京电子科技学院构建的一个包含16924张图像的大型美学属性评估数据集。该数据集通过混合多个现有数据集并设计外部属性特征，旨在解决传统美学评估数据集标签有限和数据量少的问题。AMD-A数据集分为两部分，一部分用于美学总体评分回归，另一部分用于美学属性评分分类和回归。数据集中的每张图像都标注了光、色、构图三个属性标签和一个总体标签。该数据集的应用领域主要集中在图像美学质量评估，通过提供更丰富的属性标签和更大的数据量，支持开发更精确的美学评估模型，以模拟人类对图像美学的感知和评价。The AMD-A dataset is a large-scale aesthetic attribute evaluation dataset constructed by Beijing Electronic Science and Technology Institute, comprising 16,924 images. By integrating multiple existing datasets and designing external attribute features, it is developed to address the limitations of limited labels and small data scale in traditional aesthetic evaluation datasets. The AMD-A dataset is split into two subsets: one for overall aesthetic score regression, and the other for aesthetic attribute score classification and regression. Every image in the dataset is annotated with three attribute labels (lighting, color, and composition) and one overall aesthetic label. Its primary application scenarios center on image aesthetic quality assessment. By offering richer attribute labels and a larger-scale dataset, it enables the development of more accurate aesthetic evaluation models that simulate human perceptual judgment and evaluation of image aesthetics.

搜集汇总

数据集介绍

构建方式

在图像美学评估领域，传统数据集常受限于样本规模与属性标注的单一性。为应对这一挑战，AMD-A数据集通过整合多个现有美学数据集构建而成，涵盖EVA、AADB、PCCD及自建的PADB与HADB等来源，最终汇集了16,924张图像。数据集中每幅图像均标注了光线、色彩与构图三项美学属性分数，以及整体美学评分，所有分数均以0至1的连续数值表示。为确保数据分布的合理性，研究团队额外收集了5,758张仅含整体评分的图像作为补充，并通过统计分析验证了各标签在均值与标准差上呈现相似分布，从而为多任务学习提供了均衡且丰富的训练基础。

特点

AMD-A数据集的核心特点在于其多维度的美学属性标注体系，突破了传统数据集中单一整体评分的局限。该数据集不仅提供了整体美学评分，还精细标注了光线、色彩与构图三项关键美学属性的独立分数，使得研究者能够深入探究图像美学的构成要素。此外，数据集的规模达到近1.7万张图像，覆盖了多样化的视觉内容与美学风格，确保了模型训练的泛化能力。标注数值采用连续尺度，避免了二分类或粗糙分级的简化处理，更能反映人类美学评判的细微差异，为开发精准的回归模型奠定了坚实基础。

使用方法

AMD-A数据集适用于图像美学属性评估的多任务学习框架。研究者可基于该数据集训练能够同步执行美学分类、整体评分回归及属性评分回归的神经网络模型。典型的使用流程包括：首先利用数据集中丰富的属性标注，训练一个以EfficientNet-B0为骨干的多任务网络架构，其中分类子网络负责将图像按美学水平划分为十个类别，而属性子网络则分别回归光线、色彩与构图的分数。此外，通过引入外部手工设计的属性特征（如亮度统计、主导色数量、构图规则检测等）并与深度特征融合，可进一步提升属性回归的准确性。整体评分回归则可通过教师-学生网络思路，利用分类子网络的特征输出指导回归任务，实现细粒度的美学评估。

背景与挑战

背景概述

随着社交媒体与多媒体技术的蓬勃发展，图像已成为信息传播与社交互动的重要载体。在此背景下，图像美学质量评估作为计算视觉美学的核心研究方向，旨在通过计算技术模拟人类审美过程，实现对图像美学属性的量化分析。由北京电子科技学院等机构的研究团队于2022年构建的AMD-A数据集，聚焦于解决传统美学评估方法中单一整体评分的主观性局限，通过整合多源数据并引入光线、色彩与构图等多维度属性标注，为图像美学属性评估提供了更为丰富与系统的数据基础。该数据集的建立不仅推动了美学评估从整体评分向细粒度属性分析的范式转变，也为多任务学习模型在计算美学领域的应用提供了关键支撑。

当前挑战

AMD-A数据集致力于解决图像美学属性评估中的两大核心挑战：其一，在领域问题层面，传统美学评估常依赖于主观的整体评分，难以捕捉光线、色彩、构图等局部属性的细微差异，导致评估结果缺乏解释性与多维一致性；其二，在构建过程中，数据整合面临多源异构标注的标准化难题，包括不同数据集的评分尺度差异、属性标签缺失以及标注噪声干扰，需通过精心筛选与融合策略确保数据分布的合理性与标注可靠性。此外，多属性评估任务要求模型在保持参数效率的同时实现高精度预测，这对网络架构设计与特征融合机制提出了严峻考验。

常用场景

经典使用场景

在计算视觉美学领域，图像美学评估常面临主观性与单一评分局限的挑战。AMD-A数据集通过整合多源图像并标注丰富属性，为研究者提供了一个经典的多任务学习平台。该数据集广泛应用于训练多任务网络架构，支持同时进行美学分类、整体评分及属性评分，尤其在评估图像的光影、色彩与构图等核心美学维度时展现出卓越性能。其混合多属性特性使得模型能够更全面地捕捉人类审美共识，推动美学评估从粗粒度向细粒度回归的演进。

解决学术问题

AMD-A数据集有效应对了传统美学数据集中标注稀疏与属性单一的学术困境。通过融合外部属性特征与高效的多任务网络设计，该数据集显著提升了图像美学属性评估的准确性与鲁棒性。它解决了美学评估中因主观偏差导致的标签噪声问题，并克服了多维属性评估带来的参数爆炸挑战。其引入的软损失机制与特征融合策略，为美学整体与属性评分的协同优化提供了新思路，促进了计算美学向更精细、可解释的方向发展。

衍生相关工作

AMD-A数据集的推出催生了一系列围绕多属性美学评估的衍生研究。基于其混合多属性框架，学者们进一步探索了层次化多任务网络、增量学习架构以及跨模态美学分析等方法。该数据集启发了对外部特征融合机制的深入优化，如结合语义分割与显著性检测以增强构图评估。同时，其采用的ECA通道注意力模块与教师-学生网络思路，也被后续研究拓展至视频美学评估、三维场景美学分析等新兴方向，推动了计算美学领域的算法创新与理论深化。