Beyond Absolute Scores: Relative Edit-induced Difference for Generalizable Image Aesthetic Assessment

📄 arXiv: 2606.05778 📥 PDF

作者: Qifei Jia, Xintong Yao, Yasen Zhang, Minghao Li, Yajie Chai, Qiming Lu, Baoyue Shen, Runyu Shi, Ying Huang, Yue Zhang

分类: cs.CV

发布日期: 2026-07-05

💡 一句话要点

提出RED-Aes框架以解决图像美学评估中的绝对评分局限问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图像美学评估 相对编辑 深度学习 可控图像编辑 数据集构建 模型优化 美学推理

📋 核心要点

  1. 现有的图像美学评估方法过于依赖绝对评分，无法有效捕捉人类美学感知的动态特性。
  2. 本文提出RED-Aes框架，通过相对编辑引发差异的方式，模拟人类的美学推理过程，显著提升模型的泛化能力。
  3. 实验结果表明，RED-Aes在多个公共基准上达到了最先进的性能，相较于传统方法具有更好的泛化能力。

📝 摘要（中文）

传统的图像美学评估方法主要依赖于绝对的平均意见评分（MOS），这种方法忽视了人类美学感知的动态特性，导致模型无法学习到可推广的美学原则。为此，本文提出了一种新的框架——相对编辑引发差异美学学习（RED-Aes），利用可控的图像编辑模型模拟人类的美学推理过程。通过构建RED-20k数据集并引入相对排名一致性奖励的三阶段训练策略，RED-Aes在多个公共基准测试中展现了最先进的性能和优越的泛化能力。

🔬 方法详解

问题定义：本文旨在解决传统图像美学评估方法依赖绝对评分的局限性，导致模型无法有效学习可推广的美学原则。现有方法缺乏对美学差异的因果推理，限制了其在多样化场景中的应用。

核心思路：RED-Aes框架通过相对编辑引发差异的方式，利用可控的图像编辑模型来模拟人类的美学推理过程，而不是简单地拟合绝对评分分布。

技术框架：该框架包括三个主要阶段：首先构建编辑基础的图像对；其次进行定量美学差异的评估；最后通过Chain-of-Thought（CoT）推理来优化模型。

关键创新：RED-Aes的核心创新在于其相对监督学习的策略，通过相对排名一致性奖励来优化模型，使其能够专注于学习驱动美学变化的视觉因素，而非绝对评分。

关键设计：在模型训练中，采用了相对排名一致性奖励作为损失函数，确保模型在学习过程中能够有效捕捉到美学差异的相对性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RED-Aes在多个公共基准测试中达到了最先进的性能，相较于传统方法，模型的泛化能力显著提升，具体性能数据未提供，但实验表明其在美学评估任务中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括图像处理、社交媒体内容推荐和艺术作品评估等。通过更准确的美学评估，能够提升用户体验，帮助创作者优化作品质量，未来可能在商业和艺术领域产生深远影响。

📄 摘要（原文）

Traditional Image Aesthetic Assessment (IAA) methods mainly rely on regressing absolute Mean Opinion Scores (MOS). However, such a paradigm overlooks the inherently dynamic nature of human aesthetic perception, which relies on subconscious comparison against implicit visual references. Consequently, the lack of causal reasoning regarding aesthetic differences prevents models from learning generalizable aesthetic principles, thus limiting their generalization across diverse scenarios. In this work, we rethink the IAA task and propose Relative Edit-induced Difference Aesthetic learning (RED-Aes), a novel framework that leverages controllable image editing models to simulate the human aesthetic reasoning process. Instead of fitting absolute score distributions, RED-Aes explicitly learns the visual factors that drive aesthetic changes. To support this paradigm, we construct the RED-20k dataset, which comprises editing-based image pairs, quantitative aesthetic differences, and Chain-of-Thought (CoT) reasoning. Furthermore, we introduce a three-stage training strategy guided by a relative ranking consistency reward, optimizing the model solely via relative supervision. Extensive experiments demonstrate that RED-Aes achieves state-of-the-art performance on multiple public benchmarks, exhibiting superior generalization capabilities.