Boldbrush Artistic Image Dataset (BAID)

Boldbrush Artistic Image Dataset (BAID) 是由上海交通大学创建的一个大规模艺术图像美学评估数据集，包含60,337件艺术作品，涵盖多种艺术形式，拥有超过360,000次在线用户投票。该数据集旨在填补艺术图像美学评估领域的空白，通过用户投票为每件作品提供美学评分，适用于开发和评估艺术图像美学评估模型。BAID不仅规模庞大，而且在艺术作品的数量和质量上远超现有数据集，为未来AI艺术美学评估研究提供了坚实的基础。

The Boldbrush Artistic Image Dataset (BAID) is a large-scale artistic image aesthetic assessment dataset developed by Shanghai Jiao Tong University. It contains 60,337 artworks spanning a diverse range of artistic genres, with over 360,000 online user votes. This dataset is designed to fill the research gap in the field of artistic image aesthetic assessment, providing aesthetic scores for each artwork via user votes, and is suitable for developing and evaluating artistic image aesthetic assessment models. Not only does BAID boast a large scale, but it also outperforms existing datasets in both the quantity and quality of its artworks, laying a solid foundation for future research on AI-driven artistic aesthetic assessment.

搜集汇总

数据集介绍

构建方式

在艺术图像美学评估领域，现有数据集普遍缺乏大规模且具有美学标注的艺术作品。为填补这一空白，Boldbrush Artistic Image Dataset (BAID) 的构建依托于在线艺术竞赛平台Boldbrush，该平台每月举办艺术比赛，允许认证艺术家上传作品并接受公众投票。研究团队系统性地爬取了2010年至2022年间平台上的参赛作品，经过数据清洗后，最终汇集了60,337幅涵盖油画、丙烯、水彩、粉彩、铅笔素描等多种媒介的艺术图像。每幅作品均附有其获得的投票数，平台通过邮件验证机制确保了投票的真实性与可靠性，有效避免了恶意刷票行为，从而为数据集提供了高质量且可信赖的美学交互数据。

特点

BAID数据集的核心特点在于其规模与标注的独特性。作为当前最大的艺术图像美学评估数据集，它包含了超过36万条用户投票，这些投票通过一种基于月度平均投票数的类Sigmoid函数被转化为0到10分的连续美学评分，既保留了原始投票分布的真实性，又缓解了不同月份投票活跃度差异带来的偏差。数据集中艺术风格极为多样，覆盖了从写实到抽象等多种创作流派，且作品均出自具有一定专业水准的艺术家之手，整体美学质量较高。与主要包含摄影图像的现有IAA数据集不同，BAID专注于艺术作品，其评分源于真实用户的集体审美偏好，而非实验室环境下的主观打分，从而更贴近实际应用场景中的美学评估需求。

使用方法

BAID数据集主要用于训练和评估艺术图像美学评估模型。研究者可将数据集按约9:1的比例划分为训练集与测试集，直接使用其提供的连续美学分数作为回归任务的监督信号，也可通过设定阈值（如5分）将其转换为二分类（吸引人/不吸引人）任务。为提升模型性能，建议采用论文中提出的自监督预训练策略，即对图像施加多种会降低美学吸引力的退化操作（如噪声、模糊、裁剪、风格化等），并让模型学习识别操作类型与强度，从而提取美学感知特征。在此基础上，可进一步构建类似SAAN的双分支网络，一支提取与风格相关的特定美学特征，另一支提取通用美学特征，最后融合空间信息进行综合评分预测。该数据集为开发能够理解不同艺术风格美学准则的AI模型提供了至关重要的基础。

背景与挑战

背景概述

在数字视觉内容爆炸式增长的时代，图像美学评估（IAA）已成为计算机视觉领域的重要研究方向，尤其在照片推荐、图像排序等应用中展现出巨大潜力。然而，传统IAA研究主要聚焦于摄影图像，对艺术图像的美学质量评估（AIAA）则长期缺乏系统性的探索。为填补这一空白，上海交通大学与卡迪夫大学的研究团队于2023年联合构建了Boldbrush Artistic Image Dataset（BAID）。该数据集包含60,337幅涵盖多种艺术形式的作品，并收集了超过36万条在线用户投票，旨在为艺术图像美学评估提供大规模、高质量的基准数据。BAID的建立不仅突破了现有数据集在艺术图像数量与质量上的局限，也为跨风格美学感知模型的开发奠定了坚实基础，对推动艺术与人工智能的交叉研究具有深远影响。

当前挑战

BAID数据集致力于解决艺术图像美学评估这一高度主观且复杂的领域问题，其核心挑战在于如何建立跨艺术风格的通用评估准则。不同艺术形式（如油画、素描）的美学标准差异显著，使得模型需同时感知风格特异性与通用美学特征。在数据集构建过程中，研究者面临多重困难：首先，艺术社区通常缺乏公开的评分机制，因美学主观性较强且评分可能被视为对艺术家的不尊重，导致高质量标注数据稀缺；其次，从Boldbrush平台收集的原始投票数据分布极不均衡，需设计非线性映射函数将投票数转换为可靠的美学分数，同时保留数据源的权威性与分布特性；此外，还需确保数据涵盖风格的多样性，避免因媒介或主题偏差影响模型的泛化能力。

常用场景

经典使用场景

在艺术图像美学评估领域，Boldbrush Artistic Image Dataset (BAID) 作为首个大规模、高质量的艺术作品数据集，为研究者提供了丰富的训练与评估资源。其经典使用场景主要体现在构建和验证艺术图像美学评估模型，特别是针对风格多样性极强的绘画、素描等艺术作品。通过整合超过六万张涵盖多种艺术形式的图像及其三十六万余次用户投票，BAID 使得数据驱动的深度学习方法能够在此领域实现突破，为模型训练提供了前所未有的规模与多样性支持。

衍生相关工作

BAID 的发布催生了一系列围绕艺术图像美学评估的创新研究。其配套提出的风格特定艺术评估网络（SAAN）首次将风格信息与通用美学特征相结合，为后续工作设立了新的基线。在此基础上，研究者们进一步探索了多模态融合、个性化评估以及跨风格泛化等方向，例如结合文本描述进行联合学习，或利用元学习适应不同用户的审美偏好。这些衍生工作不仅深化了对艺术美学的计算理解，也拓展了计算机视觉与数字人文的交叉研究边界。

数据集最近研究

最新研究方向

在艺术图像美学评估领域，Boldbrush Artistic Image Dataset (BAID) 的推出标志着该方向从传统摄影美学向多元化艺术形式拓展的关键转折。随着人工智能绘画与风格迁移技术的蓬勃发展，自动评估艺术作品美学质量的需求日益凸显，而现有数据集多聚焦于摄影图像，缺乏针对油画、素描等艺术形式的系统标注。BAID 通过整合六万余幅涵盖多种艺术风格的作品及超过三十六万次用户投票，构建了当前规模最大的艺术图像美学评估基准，为深度学习模型提供了丰富的训练资源。前沿研究正围绕风格感知的美学特征提取展开，例如结合自适应实例归一化技术融合风格特异性与通用美学信息，以应对不同艺术媒介的独特评价准则。这一进展不仅推动了跨模态美学理解模型的创新，也为在线艺术推荐、智能创作辅助等应用奠定了理论基础，具有显著的学术价值与产业潜力。

相关研究论文

• Towards Artistic Image Aesthetics Assessment: a Large-scale Dataset and a New Method

  上海交通大学 · 2023年