Beyond Absolute Scores: Relative Edit-induced Difference for Generalizable Image Aesthetic Assessment

📄 arXiv: 2606.05778v1 📥 PDF

作者: Qifei Jia, Xintong Yao, Minghao Li, Yajie Chai, Qiming Lu, Baoyue Shen, Yasen Zhang, Runyu Shi, Ying Huang, Yue Zhang

分类: cs.CV

发布日期: 2026-06-04

💡 一句话要点

提出RED-Aes框架以解决传统图像美学评估的局限性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图像美学评估 相对监督学习 可控图像编辑 数据集构建 深度学习

📋 核心要点

  1. 现有的图像美学评估方法过于依赖绝对分数，无法有效捕捉人类美学感知的动态特性。
  2. 本文提出RED-Aes框架，通过可控图像编辑模型模拟人类美学推理，显著提升评估的准确性和泛化能力。
  3. 实验结果显示，RED-Aes在多个公共基准上表现优异，超越了现有的最先进方法，展现出更强的泛化能力。

📝 摘要（中文）

传统的图像美学评估方法主要依赖于回归绝对的平均意见分数（MOS），这种方法忽视了人类美学感知的动态特性，导致模型无法学习到可推广的美学原则。为此，本文提出了相对编辑引发差异美学学习（RED-Aes）框架，利用可控的图像编辑模型模拟人类的美学推理过程。我们构建了RED-20k数据集，并引入了基于相对排名一致性的奖励的三阶段训练策略。实验结果表明，RED-Aes在多个公共基准上达到了最先进的性能，展现出优越的泛化能力。

🔬 方法详解

问题定义：论文要解决的具体问题是传统图像美学评估方法无法有效捕捉人类美学感知的动态特性，导致模型学习到的美学原则缺乏普适性。

核心思路：论文的核心解决思路是通过相对编辑引发差异美学学习（RED-Aes）框架，利用可控的图像编辑模型来模拟人类的美学推理过程，而非单纯依赖绝对分数。

技术框架：整体架构包括数据集构建、模型训练和评估三个主要模块。首先构建RED-20k数据集，然后采用三阶段训练策略，最后在多个公共基准上进行评估。

关键创新：最重要的技术创新点在于引入了相对排名一致性奖励机制，使得模型能够通过相对监督进行优化，从而更好地学习美学差异。

关键设计：在模型设计中，采用了基于编辑的图像对，结合定量美学差异和Chain-of-Thought推理，优化了损失函数以支持相对监督学习。具体的网络结构和参数设置在实验中进行了细致调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，RED-Aes在多个公共基准上达到了最先进的性能，相较于传统方法，泛化能力提升显著，具体性能数据未提供，但实验表明其在美学评估任务中表现优异。

🎯 应用场景

该研究的潜在应用领域包括图像处理、社交媒体内容推荐和自动化设计等。通过提升图像美学评估的准确性，能够为用户提供更优质的视觉体验，推动相关领域的技术进步和商业价值的实现。

📄 摘要（原文）

Traditional Image Aesthetic Assessment (IAA) methods mainly rely on regressing absolute Mean Opinion Scores (MOS). However, such a paradigm overlooks the inherently dynamic nature of human aesthetic perception, which relies on subconscious comparison against implicit visual references. Consequently, the lack of causal reasoning regarding aesthetic differences prevents models from learning generalizable aesthetic principles, thus limiting their generalization across diverse scenarios. In this work, we rethink the IAA task and propose Relative Edit-induced Difference Aesthetic learning (RED-Aes), a novel framework that leverages controllable image editing models to simulate the human aesthetic reasoning process. Instead of fitting absolute score distributions, RED-Aes explicitly learns the visual factors that drive aesthetic changes. To support this paradigm, we construct the RED-20k dataset, which comprises editing-based image pairs, quantitative aesthetic differences, and Chain-of-Thought (CoT) reasoning. Furthermore, we introduce a three-stage training strategy guided by a relative ranking consistency reward, optimizing the model solely via relative supervision. Extensive experiments demonstrate that RED-Aes achieves state-of-the-art performance on multiple public benchmarks, exhibiting superior generalization capabilities.