AIGI-VC|AI生成图像数据集|视觉通信数据集

AIGI-VC是一个用于视觉通信中AI生成图像质量评估的数据集，由香港城市大学、华南师范大学和岭南大学共同创建。该数据集包含2500张图像，涵盖14个广告主题和8种情感类型，旨在研究AI生成图像在广告领域的信息清晰度和情感互动效果。数据集通过主观实验收集了粗粒度和细粒度的人类偏好注释，并使用GPT-4o进行详细分析。AIGI-VC主要用于评估AI生成图像在实际应用中的有效性，特别是在视觉通信领域，旨在解决图像质量评估中的信息传递和情感互动问题。

AI搜集汇总

数据集介绍

构建方式

AIGI-VC数据集通过结合广告领域的实际应用需求，构建了一个专注于AI生成图像（AIGI）在视觉传播中的可传播性评估的数据库。该数据集包含2500张图像，涵盖14个广告主题和8种情感类型。数据集的构建过程首先利用GPT-4V生成多样化的广告文本和情感提示，确保了内容的多样性和独特性。随后，通过五种主流的文本到图像生成模型（如Stable Diffusion XL、Dall·E 3等）生成图像，并对每张图像进行512×512的标准化处理，以减少分辨率带来的变异性。最终，通过成对比较实验收集了粗粒度和细粒度的人类偏好注释，确保了数据集的丰富性和可靠性。

特点

AIGI-VC数据集的显著特点在于其专注于AI生成图像在实际广告应用中的信息清晰度和情感交互效果。数据集不仅提供了粗粒度的人类偏好选择，还通过GPT-4o和人类专家的协作，提供了细粒度的偏好描述，增强了数据集的可解释性和透明度。此外，数据集涵盖了多种广告主题和情感类型，确保了其在不同应用场景下的广泛适用性。通过这些特点，AIGI-VC为研究AI生成图像在视觉传播中的质量评估提供了独特的视角和丰富的资源。

使用方法

AIGI-VC数据集可用于评估和改进AI生成图像在视觉传播中的质量评估方法。研究者可以通过数据集中的粗粒度和细粒度偏好注释，训练和验证新的图像质量评估模型，特别是针对信息清晰度和情感交互的评估。此外，数据集还提供了多种广告主题和情感类型的子集，便于研究者在特定场景下进行深入分析。通过对比不同模型的性能，研究者可以发现现有方法的不足，并推动更有效的AI生成图像质量评估技术的发展。

背景与挑战

背景概述

AIGI-VC数据集由香港城市大学、华南师范大学和岭南大学联合开发，旨在解决人工智能生成图像（AIGI）在视觉传播中的质量评估问题。该数据集创建于2024年，包含2500张图像，涵盖14个广告主题和8种情感类型。其核心研究问题是如何评估AIGI在广告领域的信息清晰度和情感互动效果，填补了传统图像质量评估（IQA）方法在实际应用中的不足。AIGI-VC数据集的推出对视觉传播领域具有重要意义，为研究者提供了评估AIGI在实际应用中有效性的基准。

当前挑战

AIGI-VC数据集在构建过程中面临两大主要挑战：一是信息清晰度评估，要求图像中的每个元素都能清晰地传达文本信息；二是情感互动评估，要求图像能够有效引发观众的情感共鸣。此外，数据集的构建还面临生成模型多样性、图像质量差异以及人类主观偏好标注的复杂性等问题。这些挑战使得现有的IQA方法在处理AIGI时表现不佳，尤其是在多模态内容和情感互动方面的评估能力有限。

常用场景

经典使用场景

AIGI-VC数据集的经典使用场景主要集中在广告领域的视觉传达效果评估。该数据集通过分析AI生成图像在信息清晰度和情感互动方面的表现，帮助研究人员和广告从业者评估广告图像的质量。具体而言，AIGI-VC通过2500张涵盖14个广告主题和8种情感类型的图像，提供了粗粒度和细粒度的用户偏好标注，从而为广告设计中的图像质量评估提供了基准。

解决学术问题

AIGI-VC数据集解决了传统图像质量评估（IQA）算法在AI生成图像（AIGIs）应用中的局限性。传统IQA算法主要关注低层次的视觉感知，而AIGI-VC则强调图像在实际应用中的信息传达和情感互动效果。通过提供详细的偏好标注和评估维度，AIGI-VC为研究者提供了一个全面的工具，用于评估AI生成图像在广告等视觉传达场景中的有效性，推动了IQA领域的发展。

衍生相关工作

AIGI-VC数据集的发布催生了一系列相关研究工作，特别是在AI生成图像的质量评估和多模态模型应用方面。例如，基于AIGI-VC的评估方法被用于改进现有的IQA算法，使其能够更好地处理多模态内容。此外，AIGI-VC还启发了对大规模多模态模型（LMMs）在图像质量评估中的应用研究，推动了多模态模型在广告和视觉传达领域的进一步发展。