DEAR (Dataset for Evaluating the Aesthetics of Rendering)

DEAR是由莫斯科独立人工智能研究所等机构联合构建的渲染美学评估基准数据集，基于MIT-Adobe FiveK的5000张原始图像扩展生成3万条多风格渲染样本。该数据集通过众包平台收集了13,648名评估者对图像对的25万次主观偏好标注，聚焦色彩、纹理等艺术属性而非传统失真指标。其构建过程采用专业摄影师与算法生成的多样化渲染策略，支持图像风格偏好预测、美学基准测试等应用，旨在解决AI生成内容、摄影后期等领域缺乏主观审美量化标准的问题。

The DEAR dataset is a rendering aesthetic evaluation benchmark jointly developed by the Moscow Independent AI Research Institute and other institutions. Built upon 5,000 original images from the MIT-Adobe FiveK dataset, it generates 30,000 multi-style rendering samples through data augmentation. This dataset collected 250,000 subjective preference annotations for image pairs from 13,648 evaluators via crowdsourcing platforms, prioritizing artistic attributes such as color and texture over traditional distortion metrics. Its construction adopts diverse rendering strategies devised by professional photographers and AI algorithms, supporting applications including image style preference prediction and aesthetic benchmark testing. The dataset is designed to address the absence of standardized subjective aesthetic quantification metrics in fields such as AI-generated content and photographic post-processing.

原始信息汇总

DEAR: Dataset for Evaluating the Aesthetics of Rendering (100-scene sample) 数据集概述

数据集基本信息

• 许可证: MIT
• 标签: 计算机视觉、图像质量评估、美学、渲染、人类偏好
• 任务类别: 图像分类、图像到图像、其他
• 规模类别: 1K-10K
• 数据集名称: Dataset for Evaluating the Aesthetics of Rendering (DEAR) - 100-scene Sample

核心内容

• 数据基础: 基于MIT-Adobe FiveK数据集构建。
• 数据规模: 包含100个场景，共计600张图像。
• 标注类型: 通过大规模众包收集的成对人类偏好标注。每个场景的每对渲染图像由多位人类标注者评估，标注者需指出更偏好的版本或认为两者同样具有吸引力。
• 渲染风格: 每个场景以6种不同风格渲染：
  • 风格A-E: 五种不同的摄影师特定渲染（源自原始MIT-Adobe FiveK数据集中的专家A至专家E）。
  • 中性风格: Adobe Photoshop自动模式渲染（作为基线/参考风格）。

主要特点

• 以人为中心的评估: 捕捉细致的美学偏好，而非技术性失真。
• 多渲染风格: 每个场景的六种不同诠释，支持细粒度的偏好分析。
• 专家与自动渲染对比: 比较专业摄影师风格与Adobe自动模式。
• 多样化内容: 场景涵盖人像、风景、食物、动物、夜间摄影和一般日常主题。

元数据

每张图像包含从原始TIFF XMP数据中提取的全面元数据：

• 技术参数: 曝光设置、白平衡、对比度、饱和度和色调曲线调整。
• 渲染信息: 软件版本、处理历史和渲染器标识符。
• 内容类别: 自动生成的场景分类（人物、动物、食物、夜景等）。
• 图像属性: 尺寸、色彩配置文件和格式规格。
• 来源信息: 原始文件名、捕获设备和摄影师归属。

应用方向

该数据集支持以下研究：

• 美学偏好预测: 训练模型以预测用户偏好的渲染风格。
• 风格感知图像增强: 开发适应用户美学偏好的算法。
• 个性化渲染: 创建学习个人审美品味的系统。
• 美学模型基准测试: 评估现有和新颖的美学质量评估方法。
• 人机协作: 理解人类偏好如何指导AI渲染决策。

引用

@misc{plohotnyuk2025dear, title={DEAR: Dataset for Evaluating the Aesthetics of Rendering}, author={Plohotnyuk, Vsevolod and Panshin, Artyom and Bani{c}, Nikola and Bianco, Simone and Freeman, Michael and Ershov, Egor}, year={2025}, eprint={2512.05209}, archivePrefix={arXiv}, primaryClass={cs.CV}, note = {Preprint at url{https://arxiv.org/abs/2512.05209}} }

搜集汇总

数据集介绍

构建方式

在图像质量评估领域，传统方法主要关注技术失真，而渲染美学评估因缺乏反映主观风格偏好的数据集而进展缓慢。DEAR数据集的构建基于MIT-Adobe FiveK数据集，通过大规模众包平台收集了成对的人类偏好评分。每个原始场景由五位专业渲染师和一种自动模式生成六种不同风格，形成15种独特的风格对组合。每个图像对由至少25名独立评估者进行评判，总计13,648名参与者贡献了标注，这些标注通过三选项界面收集，包括控制问题以确保数据可靠性，最终构建了一个包含5,000个场景、30,000个渲染图像的数据集，专门用于捕捉人类对渲染美学的细微偏好。

使用方法

DEAR数据集的使用方法多样，主要应用于渲染美学评估任务的模型开发与基准测试。研究人员可以利用成对偏好评分训练预测模型，例如通过深度学习架构直接比较图像对或使用Siamese网络提取特征。数据集支持风格排名、个性化偏好预测等任务，并可用于分析人类美学偏见，探索不同图像类别下的偏好模式。在评估时，模型性能可通过准确率、Spearman相关系数等指标衡量，同时数据集的扩展性允许通过增加标注来提升评分稳定性，推动美学感知模型的创新。

背景与挑战

背景概述

在计算机视觉与图像处理领域，图像质量评估（IQA）长期聚焦于量化噪声、模糊或压缩伪影等技术失真。然而，随着摄影编辑、内容创作与AI生成图像的兴起，对渲染美学的主观评估成为新兴且关键的研究方向。DEAR（Dataset for Evaluating the Aesthetics of Rendering）由莫斯科独立人工智能研究所、米兰大学等机构的研究团队于2025年提出，旨在填补该领域的数据空白。该数据集基于MIT-Adobe FiveK构建，通过大规模众包收集了人类对图像渲染风格的成对偏好评分，涉及13,648名评估者参与，总计涵盖5,000个场景的多种渲染版本。DEAR的核心研究问题是推动超越传统失真评估的渲染美学评估（EAR），为建模人类主观审美偏好提供首个系统化基准，对计算美学、个性化内容生成等领域具有深远影响。

当前挑战

DEAR数据集面临的挑战主要体现在两方面：在领域问题层面，渲染美学评估本质上具有高度主观性与上下文依赖性，不同于传统IQA中失真程度的客观排序，多种渲染风格可能均具审美价值，导致模型预测人类偏好时需处理细微且多变的审美差异，现有IQA方法在此任务上表现显著不足。在构建过程层面，数据收集需克服众包标注中常见的注意力分散与噪声干扰，通过设计控制问题筛选可靠评估者；同时，处理“两者皆可”的模糊投票时，需采用如DMOS计算等统计方法以平滑分布偏差，确保标注质量与一致性。此外，数据集中仅包含六种渲染风格，限制了参数空间的覆盖范围，未来需扩展更多样化的美学变体以提升模型的泛化能力。

常用场景

经典使用场景

在图像质量评估领域，传统方法主要关注噪声、模糊或压缩伪影等技术性失真，而DEAR数据集则开辟了渲染美学评估这一新兴研究方向。该数据集最经典的使用场景是训练和评估能够预测人类对图像渲染风格美学偏好的计算模型。基于MIT-Adobe FiveK数据集构建，DEAR通过众包收集了大规模成对偏好评分，为模型提供了学习人类主观审美判断的基准。研究人员利用这些细粒度的偏好标注，开发能够超越传统失真评估、专注于风格美学比较的新型算法，从而推动图像美学理解从客观质量向主观偏好转变。

解决学术问题

DEAR数据集有效解决了渲染美学评估领域长期存在的关键学术问题。传统图像质量评估方法难以捕捉风格偏好的主观性和上下文依赖性，而DEAR通过系统化的成对比较标注，为这一挑战提供了实证基础。该数据集使得研究人员能够量化分析人类审美偏见的分布规律，探索不同图像内容类别中风格偏好的差异，并建立可预测美学偏好的计算模型。其意义在于首次将渲染美学评估建立在人类主观偏好数据之上，为计算机视觉与人类审美感知的交叉研究搭建了桥梁，推动了图像质量评估从技术失真分析向美学价值判断的范式转变。

实际应用

在实际应用层面，DEAR数据集为多个产业领域提供了技术支撑。在摄影编辑和内容创作行业，基于DEAR训练的模型能够自动推荐符合大众审美偏好的渲染风格，显著提升后期处理效率。对于人工智能生成图像领域，该数据集为评估生成图像的视觉吸引力提供了基准，助力开发更符合人类审美标准的生成模型。在个性化推荐系统中，DEAR支持构建用户特定的美学偏好模型，实现定制化的图像风格推荐。此外，该数据集还可用于优化社交媒体平台的内容呈现算法，通过美学预测提升用户体验和参与度。

数据集最近研究

最新研究方向

在图像质量评估领域，传统方法主要关注噪声、模糊或压缩伪影等技术失真，而DEAR数据集的推出标志着研究方向向渲染美学评估的深刻转变。该数据集基于MIT-Adobe FiveK构建，通过大规模众包收集成对的人类偏好评分，首次系统性地建模人类对图像渲染风格的主观审美判断。前沿研究聚焦于开发能够超越失真评估的模型，探索渲染美学评估这一新兴任务，包括风格偏好预测、个性化美学建模以及生成符合人类审美的渲染风格。DEAR的出现填补了现有IQA数据集的空白，为AI生成图像、计算摄影和内容创作等领域提供了关键的基准，推动了视觉美学与人工智能交叉研究的深入发展。

相关研究论文

• DEAR: Dataset for Evaluating the Aesthetics of Rendering

  莫斯科独立人工智能研究所, 莫斯科色彩再现与合成研究所, 吉迪恩兄弟公司, 米兰-比可卡大学 · 2025年