8.2 计算美学：让机器给"美"打分

本章目标：搞清”美学评分”这个研究方向的完整技术脉络——从数据集到模型到评测指标，以及它如何演变成今天文生图大模型的”美学奖励模型”。这一章是你和导师对话、以及未来选题的直接弹药库。前置：8.1（美术学基础）、0.2（PyTorch）。

1. 问题的形式化：主观的东西怎么变成学习任务

计算美学（Computational Aesthetics）核心任务：输入图像，输出”美学质量”分数。难点在于标注本质上是主观的，所以整个领域的方法论都在回答同一个问题：怎么处理人类评价的分布性。三种任务形式：

1. 绝对评分：回归一张 1–10 的分。问题是不同人、不同图之间评分尺度不一致；
2. 分布预测：预测所有标注者分数的分布（NIMA 路线，本章重点）——平均分抹平了”有人狂赞有人狂踩”的信息，分布才完整；
3. 偏好排序：给两张图，只问”哪张好”（成对比较）——标注最可靠（人说不清 7 分和 8 分的差别，但”选一个”很容易），这是 AIGC 时代的主导形式（第 5 节）。

2. 数据集谱系（做研究先认数据）

数据集	规模/内容	标注形式	地位
AVA	25 万张摄影照片	每张约 200 个业余评审的 1–10 分	最大最常用，深刻影响方法设计
AADB	1 万张 + 属性	总分 + 构图/色彩等属性分	属性可解释性研究的常用数据
SPAQ	1.1 万手机摄影	总分 + 曝光/噪声等技术属性	技术质量 vs 美学分离
WikiArt	25 万件艺术品	流派/画家/题材标签（非美学分）	艺术史任务（分类）的主数据源
ArtBench	6 万张	10 流派平衡分类	干净的艺术分类基准
LAION-aesthetics	数十亿图自动打分	模型分（不是人标）	文生图预训练数据过滤的事实标准

注意趋势：人工标注数据集停留在几万到几十万张；而 AIGC 时代的数据过滤靠”模型自动打分”覆盖了亿级数据——你的研究可以卡在中间：领域专属（如中国画、书法、建筑摄影）的人工/半自动美学数据集几乎是空白。

3. 方法演化三阶段

阶段一：手工特征 + 传统模型（2008–2015）

色彩分布（8.1 章那张映射表的量）、构图规则符合度、清晰度、纹理复杂度 → 手工特征 → SVM 回归。今天读它的价值：这些特征依然是最好的可解释指标，且你的”美学先验”来自这里。

阶段二：CNN 分布预测（2015–2021）—— NIMA 是分水岭

Google 的 NIMA（Neural Image Assessment, 2018）：用 ImageNet 预训练 CNN，输出端不是单个分数，而是 1–10 分的直方图（softmax），loss 用**Earth Mover’s Distance（推土机距离）**度量预测分布与标注分布的差异。

为什么这是正确的设计（必考理解）：

• 评分本质是多峰分布（一大半人打 8，一小撮打 3），预测分布保留了”争议度”；
• EMD 考虑分数的有序性（预测 8 而真值 9，比预测 2 而真值 9 错得少）——普通交叉熵不知道 8 和 9 是相邻的；
• 部署时取分布均值当分数、标准差当”争议度”，一张图两种信息。

同期及后续：双列网络分别看”美学”和”技术质量”；把属性预测（构图/色彩/景深）作为辅助任务提升主任务。

阶段三：CLIP 化与偏好奖励模型（2021–至今）

两条并流的合流：

1. 零样本美学：CLIP-IQA 等工作发现，在 CLIP 嵌入空间里构造”好照片 vs 坏照片”的文本探针（或直接分析嵌入方向），不用训练就能测美学——大模型的语义空间里”美”已经有位置。VLM 微调后做美学打分，效果持续刷新；
2. 偏好奖励模型（preference reward model）：文生图模型要”对齐人类审美”，需要奖励模型给生成的图打分来驱动 RLHF/DPO。代表：PickScore（百万级人类成对偏好数据训练）、ImageReward、HPSv2。它们的技术栈 = CLIP/VLM 底座 + 成对偏好数据 + Bradley-Terry 式排序损失（2.7 章 DPO 的同源思想）。

这条演化线的本质：美学评分从”独立任务”变成了”生成模型对齐的组件”——也就是说，它从一个冷门方向变成了文生图产业链的定价权环节：谁的审美标准好，谁生成的图就”好看”。这就是你导师方向的机会所在。

4. 评测指标（论文里怎么证明自己好）

• SRCC（Spearman 秩相关）：不比分数绝对值，只比排序是否一致。为什么用它：标注噪声大，绝对分不可信，但”我认为 A 比 B 好”相对可靠。报告美学论文结果 90% 用它；
• EMD：分布预测任务（NIMA 式）用；
• 二分类准确率：高质量/低质量划分的任务用。

自己复现时的自查问题：测试集和训练集有没有按摄影师/主题划分？没有的话模型可能背下了拍摄者风格而不是学会审美——这是这个领域最经典的评测陷阱。

5. 可做的课题方向（结合你的背景与算力）

1. 中文审美/画种美学数据集与基准：工笔/写意/书法/园林摄影——AVA 全是西式摄影，空白明显；半自动标注（大 VLM 打分 + 人工校验子集）控制成本；
2. 可解释美学归因：用 8.1 章的映射表 + Grad-CAM/attention，让模型说出”扣分在构图”而不只是给一个分——评测透明化是真需求；
3. AIGC 图美学评测：生成图”技术好但艺术差”（平均脸、过度平滑、构图平庸）——构建区分技术质量与艺术质量的评测协议，直接服务于生成模型后训练；
4. 美学奖励模型的小模型极限：2B VLM + LoRA 能把 PickScore 式偏好建模压到什么程度——学生算力友好，且产业真需要端侧/批量打分的小模型。

选题前先做的事：问导师组里已有的数据/标注资源和在投的方向，课题从资源上长出来，不从论文空想。

6. 自测题

1. 为什么 NIMA 预测分布而不是均值？（保留多峰争议信息；EMD 利用分数有序性）
2. EMD 相比交叉熵在评分任务上好在哪？（知道 8 与 9 相邻、2 与 9 遥远——序数结构）
3. 为什么美学评测主流用 SRCC 而不是 MSE？（标注噪声大，排序比绝对值可靠）
4. AVA 数据集的标注结构对方法设计的影响？（每张约 200 人打分 → 天然的分布标签，直接催生 NIMA 设计）
5. 成对偏好为什么比绝对打分可靠？它驱动了哪类现代技术？（人擅长比较不擅长标定；RLHF/DPO 的奖励模型）
6. 按摄影师划分 train/test 是防什么？（背风格不学审美，数据泄漏）
7. LAION-aesthetics 用模型分过滤亿级数据，这个链条的前提是什么？（有一个可信的美学评分模型——它自己又是从人标数据蒸馏来的；基础数据质量决定上层天花板）

7. 动手作业

1. 下载预训练 NIMA 权重（或复现简化版：ResNet18 + 10 类 softmax 输出 + EMD loss），在 AVA 测试子集上算 SRCC；
2. 自己给其中 50 张图打分，算”你 vs 模型”的 SRCC，再看不一致的图——用美术学语言写下你为什么不同意（这就是可解释性的研究素材）；
3. 用 open_clip 构造零样本探针（“a beautiful photo” vs “a bad photo” 嵌入差方向），给同一批图打分，对比 NIMA——体会”语义空间里美学已有位置”这句话的含义；
4. 挑 20 张 AI 生成图过一遍模型分，记录”高分但你觉得平庸”的案例——8.6 章（AIGC 评价体系）的引子。

8. 延伸资源

• NIMA: Neural Image Assessment (Talebi & Milanfar, 2018)——必精读
• CLIP-IQA（Wang et al., AAAI 2023）——零样本美学开山
• PickScore / ImageReward / HPSv2 论文——偏好奖励模型三连
• AVA 数据集论文（Murray et al., 2012）——了解标注协议