Scaling Up Personalized Aesthetic Assessment via Task Vector Customization

个性化图像美学评估的任务旨在通过少量用户提供的输入来定制美学评分预测模型以匹配个体偏好。然而，目前方法的可扩展性和泛化能力受到它们依赖昂贵策划数据库的限制。为了克服这一长期存在的可扩展性挑战，我们提出了一种独特的方法，利用现成的数据库进行通用图像美学评估和图像质量评估。具体而言，我们将每个数据库视为一个不同的图像得分回归任务，具有不同程度的个性化潜力。通过确定任务向量的最佳组合，这些向量已知能够表示每个数据库的特定特征，我们成功地为个体创建了个性化模型。整合多个模型的这种方法使我们能够利用大量数据。我们广泛的实验证明了我们的方法在泛化到以前未见过的领域方面的有效性，这是以前的方法所努力实现的挑战，使其高度适用于实际场景。我们的新方法通过提供可扩展的个性化美学评估解决方案并为未来研究建立高标准，显著推进了该领域。

如何实现个性化图片美学评估并解决目前方法所面临的可扩展性和泛化能力受限的问题？

将现有的数据库视为不同的图像评分回归任务，通过确定任务向量的最佳组合，成功为个人创建个性化模型，从而实现大规模数据的利用。

论文的方法能够泛化到以前未见过的领域，具有高度适用性。实验结果表明该方法的有效性，同时为个性化美学评估提供了可扩展的解决方案。

最近的相关研究包括：1. 'Aesthetic Visual Quality Assessment of Paintings and Drawings with Deep Convolutional Neural Networks'；2. 'Aesthetic Quality Assessment of Consumer Photos Using Deep Learning on Instagram'。