Quantitative ästhetische Bewertung visueller Kunstwerke mit Vision Transformer und multi-dimensionaler künstlerischer Merkmalsfusion

Die automatisierte quantitative ästhetische Bewertung visueller Kunstwerke ist eine herausfordernde interdisziplinäre Aufgabe, die Computer Vision und Kunstgeschichte umfasst. Traditionelle ästhetische Bewertungsmethoden basieren auf handgefertigten Merkmalen oder einstufigen Deep-Learning-Modellen, die es nicht schaffen, die facettenreichen künstlerischen Eigenschaften (z. B. Farb-Harmonie, Kompositions-Balance, Textur und semantischen Stil) und langreichweitigen globalen Abhängigkeiten, die für die künstlerische Wertschätzung entscheidend sind, umfassend zu erfassen. Um diese Einschränkungen zu adressieren, schlägt dieses Papier einen neuartigen Rahmen vor: Vision Transformer mit multi-dimensionaler künstlerischer Merkmalsfusion (MDAF-ViT). Unser Modell integriert ein hierarchisches Vision Transformer (ViT)-Backbone für die globale Kontextmodellierung mit multi-branch Merkmals-Extraktoren, um niedrigstufige visuelle Attribute, mittelstufige Kompositionsregeln und hochstufige semantische Stilmerkmale zu erfassen. Eine Schlüsselinnovation ist das Dynamic Multi-Dimensional Attention Fusion (MDAF)-Modul, das heterogene künstlerische Merkmale adaptiv gewichtet und fusioniert. Umfassende Experimente an standardmäßigen Kunst-Ästhetik-Datenbanken (BAID, APDDv2, JenAesthetics) zeigen, dass MDAF-ViT die staatlich neueste CNN- und ViT-basierte Methoden signifikant übertrifft und eine überlegene Leistung in Bezug auf den Pearson Linearen Korrelationskoeffizienten (PLCC), den Spearman Rangkorrelationskoeffizienten (SRCC) und den mittleren quadratischen Fehler (MSE) erzielt. Diese Arbeit bietet eine robuste, interpretierbare Grundlage für die großangelegte digitale Kunstanalyse und -kuration.