SAVOIAS

该数据集被用于比较和分析图像中的视觉感知。在视觉杂乱度和简化法则基础上的评分与人类注释之间的相关性最高。该数据集的任务是进行视觉感知分析。This dataset is utilized for comparing and analyzing visual perception in images. Scores derived from visual clutter and the law of simplicity exhibit the strongest correlation with human annotations. The task of this dataset is visual perception analysis.

搜集汇总

数据集介绍

构建方式

SAVOIAS 数据集通过系统化的图像收集与众包标注构建而成。图像来源涵盖七个类别：场景（Places 2 数据集）、广告（Advertisement 数据集）、可视化与信息图（MASSViS 数据集）、物体（MSCOCO 数据集）、室内设计（IKEA 网站）、艺术（PeopleArt 数据集）以及至上主义（PeopleArt 子集），共计 1,420 张图像。为获取客观的视觉复杂度标签，研究采用强制选择法，通过 Figure-Eight 平台招募 1,687 名贡献者对超过 37,000 对图像进行两两比较。收集到的成对评分矩阵随后利用 Bradley-Terry 模型与矩阵补全方法转化为绝对视觉复杂度分数，确保标注结果的精细度与无偏性。

使用方法

SAVOIAS 数据集适用于多种视觉复杂度分析任务。研究人员可直接使用提供的绝对复杂度分数作为回归或分类任务的监督信号，训练针对特定类别（如广告或物体）的复杂度预测模型。数据集支持按类别拆分使用，以开发类别特定的算法，从而提升在计算机视觉、认知心理学及广告设计等领域的应用效果。基线分析显示，现有算法在物体与场景类别上表现不佳（Pearson 相关系数低至 0.3），表明该数据集可用于推动更复杂算法的创新，例如结合高层语义理解与低层特征融合的方法。

背景与挑战

背景概述

视觉复杂性作为衡量图像精细程度与描述难度的核心指标，长久以来在认知心理学、计算机视觉及广告设计等领域备受关注。然而，现有数据集普遍存在规模有限、内容单一及标注主观性偏高等问题，难以支撑跨类别视觉复杂性的系统性研究。为填补这一空白，波士顿大学计算机科学系的Elham Saraee、Mona Jalal与Margrit Betke于2018年创建了SAVOIAS数据集。该数据集涵盖场景、广告、可视化信息图、物体、室内设计、艺术及至上主义七大类别的逾1400张图像，并通过众包平台收集了超过37000次成对比较，利用Bradley-Terry模型与矩阵补全方法将相对评分转化为绝对视觉复杂性分数。SAVOIAS的发布为视觉复杂性分析提供了多样化、高标注质量的基准资源，推动了该领域从单一算法向类别特定方法的发展。

当前挑战

SAVOIAS数据集所面临的核心挑战体现在两个层面。在领域问题层面，视觉复杂性的量化需同时考虑低阶特征（如边缘密度、色彩丰富度）与高阶语义（如物体数量、背景杂乱度），现有算法在包含人类可识别区域（如物体、人物）的类别中表现不佳，例如物体类别的最高皮尔逊相关系数仅为0.3，揭示出当前方法对语义信息的捕捉不足。在构建过程层面，为获取无偏标注，研究团队采用强制选择法进行成对比较，但需在比较数量与评分精度间权衡——仅至上主义类别的完整比较需4950对，而其他类别通过4000对比较即可达到0.96的相关性。此外，众包标注者的主观差异与注意力波动也需通过测试题筛选与评分矩阵补全来缓解，这增加了数据处理的复杂度。

常用场景

经典使用场景

在计算机视觉与认知心理学交叉研究的广阔疆域中，视觉复杂度作为衡量图像精细程度与描述难度的核心指标，长期以来缺乏大规模、多类别且标注无偏的数据集。SAVOIAS 数据集应运而生，其经典使用场景聚焦于对多种图像类别的视觉复杂度进行系统化量化与分析。该数据集涵盖场景、广告、可视化信息图、物体、室内设计、艺术及至上主义等七大类别，共计超过1400幅图像，为研究者提供了横跨低层特征（如边缘密度、纹理）与高层语义（如物体数量、构图）的丰富样本。通过成对比较的众包标注方法，SAVOIAS 生成了连续的视觉复杂度评分，使得研究者能够在统一框架下比较不同类别图像的复杂度分布，从而深入探索影响人类复杂度感知的多元因素。

解决学术问题

SAVOIAS 数据集精准解决了当前视觉复杂度研究中数据规模小、类别单一、标注方法不一致等核心学术困境。以往数据集多局限于抽象图案或特定场景，且标注常采用离散量表，难以捕捉复杂度的细微差异。SAVOIAS 通过引入七类多样化图像与成对比较的连续评分机制，首次为跨类别复杂度分析提供了可靠基准。基于该数据集，研究者发现现有五种经典算法（如边缘密度、特征拥塞）仅在至上主义抽象图案上与人眼感知高度相关（皮尔逊相关系数r=0.84），而在物体与广告类别中表现欠佳（r低至0.3）。这一发现揭示了当前算法对高层语义特征（如物体识别、背景杂乱）的建模不足，从而推动了针对特定类别的视觉复杂度算法开发，为计算机视觉中的图像描述、视觉问答、目标检测等任务提供了新的优化方向。

实际应用

在实际应用层面，SAVOIAS 数据集为多个行业提供了量化美学与用户感知的利器。在广告设计领域，广告商可利用该数据集分析文本密度、品牌元素布局与色彩丰富度对视觉复杂度的影响，从而优化广告以平衡消费者注意力与信息传达效率。室内设计师可借鉴其中室内设计类别的复杂度评分，打造符合“最优唤醒理论”的居住空间——即中等复杂度环境最易引发愉悦感。对于网页与界面设计，可视化信息图类别帮助设计师理解图表、文字与图形的组合如何影响用户的认知负荷，进而提升信息传达的清晰度与记忆性。此外，艺术家与策展人可通过分析艺术类别的复杂度分布，探索美学偏好与复杂度之间的倒U型曲线关系，指导创作更具吸引力的作品。

数据集最近研究

最新研究方向

在视觉复杂性分析领域，SAVOIAS数据集的出现填补了以往数据集规模小、类别单一且标注方法不一致的空白。该数据集通过成对比较和众包标注，为场景、广告、可视化、物体、室内设计、艺术及至上主义等七个类别提供了超过1400幅图像的客观视觉复杂性评分。前沿研究正围绕该数据集展开，重点探索如何针对不同图像类别开发专用算法，以克服现有方法在物体和广告等类别上表现不佳的局限。这一方向与计算机视觉中图像理解、视觉问答及显著性检测等热点任务紧密相连，有望推动视觉复杂性从抽象度量走向实际应用，助力广告设计、用户界面优化及艺术创作等领域的智能化发展。

相关研究论文

• SAVOIAS: A Diverse, Multi-Category Visual Complexity Dataset

  波士顿大学计算机科学系 · 2018年