DEAR (Dataset for Evaluating the Aesthetics of Rendering)
收藏资源简介：
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.
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}} }
- 1DEAR: 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
