Personalized Image Aesthetic Assessment via Preference-rich Sample Mining and Cohort Merging

📄 arXiv: 2607.15752 📥 PDF

作者: Zhichao Yang, Tianjiao Gu, Zhixianhe Zhang, Xiangfei Sheng, Pengfei Chen, Leida Li

分类: cs.CV

发布日期: 2026-07-20

💡 一句话要点

提出基于PRAC的个性化图像美学评估方法

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

关键词: 个性化评估 图像美学 多模态学习 偏好挖掘 群体合并

📋 核心要点

  1. 现有的美学评估方法未能有效捕捉个体之间的偏好差异，导致评估结果不够准确。
  2. 论文提出的PRAC方法通过偏好丰富样本挖掘和群体合并，增强了个体美学偏好的建模能力。
  3. 实验结果显示，PRAC模型在多个基准数据集上表现优越，相较于现有方法有显著提升。

📝 摘要（中文）

个性化图像美学评估（PIAA）旨在预测个体对图像的美学评分，因个体偏好在不同视觉刺激中表现不同且具有特定群体模式。本文提出了一种基于多模态大语言模型（MLLM）的方法，通过偏好丰富样本挖掘和美学共鸣群体合并（PRAC）来建模个体美学偏好。PRAC首先通过分析图像的集体争议性和个性化偏差来识别偏好丰富样本，最大化有限用户数据的效用。基于这些样本，比较偏好嵌入以测量跨用户偏好相似性，并提出了一种基于群体的模型合并策略，进一步增强个体的个性化。大量实验表明，所提PRAC模型在四个基准PIAA数据库上优于现有方法。

🔬 方法详解

问题定义：本论文旨在解决个性化图像美学评估中的个体偏好差异问题。现有方法往往忽视了个体之间的美学偏好差异，导致评估结果的准确性不足。

核心思路：论文提出的PRAC方法通过偏好丰富样本的挖掘和美学共鸣群体的合并，旨在更好地捕捉和建模个体的美学偏好。通过分析图像的集体争议性和个性化偏差，最大化有限用户数据的利用率。

技术框架：PRAC方法的整体架构包括两个主要模块：偏好丰富样本挖掘和群体合并。首先，通过分析图像的特征，识别出偏好丰富的样本；然后，基于这些样本，比较用户之间的偏好相似性，并进行群体合并以增强个性化效果。

关键创新：PRAC方法的创新点在于结合了偏好丰富样本挖掘与群体合并策略，能够有效提升个体美学偏好的建模能力。这一方法与传统的单一用户模型相比，能够更好地反映个体的美学偏好。

关键设计：在模型设计中，采用了偏好嵌入技术来量化用户的美学偏好，并通过损失函数优化模型的学习过程。具体的参数设置和网络结构细节将在代码中公开。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PRAC模型在四个基准PIAA数据库上的表现优于现有最先进的方法，具体提升幅度达到XX%。该模型在个性化美学评估中的有效性得到了充分验证。

🎯 应用场景

该研究的潜在应用领域包括社交媒体平台、在线艺术评估和个性化推荐系统。通过准确预测个体的美学偏好，能够提升用户体验，增强内容的吸引力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Personalized Image Aesthetic Assessment (PIAA) aims to predict aesthetic ratings of images that vary across individuals. The aesthetic preferences manifest to different extents across distinct visual stimuli and exhibit cohort-specific patterns. Motivated by the above fact, this paper presents a Multimodal Large Language Model (MLLM)-based approach, which models individual aesthetic preferences by Preference-Rich sample mining and Aesthetically-resonant Cohort merging (PRAC). Specifically, PRAC first identifies preference-rich samples by analyzing both Collective Controversy and Personalized Deviation of images, maximizing the utility of limited user data. Based upon the preference-rich samples, cross-user preference similarities are measured by comparing preference embeddings. Then, a cohort-based model merging strategy, is proposed by aggregating preference patterns from aesthetically-resonant users, which further enhances the personalization for the target individual. Extensive experiments and comparisons on four benchmark PIAA databases demonstrate the superiority of the proposed PRAC model over the state-of-the-arts. The code and model will be public atthis https URL.