1. Care este problema pe care o rezolvă?

Evaluarea estetică a imaginilor computaționale își propune să rezolve

problema determinării calității estetice sau a aspectului unei imagini folosind
abordări algoritmice. Aceasta implică dezvoltarea unor metode care pot lua
decizii estetice similare cu oamenii, oferind rezultate măsurabile, cum ar fi
clasificarea unei imagini ca fiind, sau nu frumoasă, sau evaluarea frumuseții
acesteia pe o scară. Scopul este de a activa aplicații în multimedia, cum ar fi
îmbunătățirea imaginii, recomandarea și recuperarea, prin automatizarea
procesului de evaluare a atractivității estetice a imaginilor.

Estetica computerizată abstractă a imaginii își propune să proiecteze

abordări algoritmice pentru a efectua decizii estetice, într-un mod similar cu
gândirea umană, influențând multe aplicații în multimedia, de la
îmbunătățirea imaginii până la recomandare și recuperare.
Cercetările privind metodele computaționale care pot lua decizii într-un mod
similar cu oamenii pot fi aplicabile practic în mai multe moduri. Iată câteva
exemple:

Evaluare estetică: estetica computațională poate fi utilizată pentru a evalua automat

calitatea estetică a imaginilor, videoclipurilor sau a altui conținut vizual. Acest
lucru poate fi valoros în diverse domenii, cum ar fi fotografia, publicitatea și
designul, unde atractivitatea estetică a conținutului joacă un rol crucial.
Recomandare de conținut: prin înțelegerea preferințelor estetice umane, metodele
de calcul pot fi utilizate pentru a recomanda utilizatorilor conținut atrăgător din
punct de vedere vizual. De exemplu, în platformele online cum ar fi rețelele sociale
sau site-urile de comerț electronic, recomandările personalizate pot fi făcute pe
baza preferințelor estetice ale utilizatorului, ceea ce duce la o experiență de
utilizator mai captivantă și satisfăcătoare.

Îmbunătățirea imaginii: estetica computațională poate fi folosită pentru a

îmbunătăți automat calitatea estetică a imaginilor. Analizând caracteristicile
estetice ale unei imagini, algoritmii pot ajusta diferiți parametri cum ar fi
luminozitatea, contrastul și echilibrul de culoare pentru a îmbunătăți atractivitatea
vizuală generală.

Creație artistică: Metodele de calcul pot fi, de asemenea, folosite pentru a genera
conținut artistic nou. Învățând din operele de artă existente și înțelegând principiile
estetice subiacente, algoritmii pot crea piese de artă noi care imită creativitatea
umană și sensibilitățile estetice.

Designul experienței utilizatorului: estetica computațională poate informa designul

interfețelor utilizator, site-urilor web și aplicațiilor. Luând în considerare factorii
estetici, cum ar fi armonia vizuală, echilibrul și simplitatea, designerii pot crea
interfețe care nu sunt doar funcționale, ci și plăcute vizual și plăcut de utilizat.
În general, cercetarea metodelor computaționale care emulează luarea deciziilor
umane în estetică poate avea aplicații practice în diverse domenii, îmbunătățind
conținutul vizual, îmbunătățind experiențele utilizatorilor și ajutând la creația
artistică.

2. Care sunt principalale directii – cate un slide la fiecare directive cu ideia

principala

Principalele direcții ale progreselor în estetica computațională a imaginilor și

percepția umană a informațiilor vizuale includ:

a. Abordări bazate pe baze de date: Disponibilitatea seturilor de date la scară

largă cu adnotări umane a condus la adoptarea metodelor bazate pe date.
Aceste metode se bazează pe caracteristici extrase din imagini fără o
asociere directă cu atribute sau reguli estetice specifice. Ele urmăresc să
deducă relația dintre pixelii imaginii și judecățile estetice date de oameni.
Crearea și analiza setului de date: există un efort continuu pentru a crea seturi de
date mai mari și mai diverse, adnotate cu judecăți estetice. Acest lucru ajută la
antrenamentul modelelor pentru a prezice preferințele estetice cu mai multă
acuratețe și asigură o aplicabilitate mai largă în diferite preferințe culturale și
stilistice.
 b. Învățare profundă: caracteristicile profunde învățate direct din date au
devenit populare în estetica computațională. Aceste caracteristici sunt
învățate prin intermediul rețelelor neuronale profunde și pot captura modele
și reprezentări complexe în imagini. Abordările de învățare profundă au
arătat rezultate promițătoare în predicția esteticii.
Progresele în tehnicile de învățare profundă, în special rețelele neuronale
convoluționale (CNN), au îmbunătățit semnificativ capacitatea computerelor de a
recunoaște și înțelege conținutul vizual. Aceste rețele au fost aplicate pentru
evaluarea estetică, permițând sistemelor să învețe caracteristici asociate calităților
estetice.

c. Învățare cu mai multe sarcini: Unele abordări în estetica computațională

încorporează etichete și atribute suplimentare, cum ar fi clasa semantică,
adnotări textuale, răspuns emoțional și atribute perceptuale. Aceste etichete
suplimentare permit aplicații cu sarcini multiple și oferă informații
contextuale pentru predicție estetică.
Integrarea factorilor multipli: Cercetarea se concentrează pe integrarea diverșilor
factori care influențează estetica, inclusiv influențele culturale, preferințele
personale și informațiile contextuale. Această abordare holistică își propune să
creeze modele mai nuanțate care imită mai bine percepția umană.
d. Provocări în înțelegerea predicțiilor estetice: Una dintre principalele
provocări în estetica computațională este înțelegerea factorilor care explică
scorurile estetice prezise. Abordările bazate pe date pot risca să depășească
condițiile specifice în care caracteristicile au fost învățate și este important
să se analizeze și să interpreteze reprezentările învățate.
Separarea judecăților estetice de contextul și conținutul unei imagini este o
provocare. Algoritmii se luptă adesea să discerne dacă o imagine este
atrăgătoare datorită conținutului sau a aspectelor sale formale.

e.Tratarea subiectivității: Estetica computațională implică abordarea

subiectivității intrinseci a judecăților estetice. Indivizi diferiți pot avea
preferințe estetice diferite și este important să se țină seama de această
subiectivitate în modelele de predicție. Preferințele estetice sunt foarte
subiective și variază în funcție de indivizi, culturi și contexte.
Dezvoltarea modelelor computaționale care să răspundă acestei
diversități, evitând în același timp subiectivitatea, rămâne o provocare
semnificativă.

f. Explicarea predicțiilor estetice: O altă provocare este furnizarea de

predicții estetice explicabile. Este important să se dezvolte metode care
să ofere perspective asupra motivului pentru care o anumită imagine este
considerată plăcută din punct de vedere estetic sau nu.
 În general, progresele în estetica computațională au fost determinate de
disponibilitatea unor seturi mari de date, de dezvoltarea tehnicilor de învățare
profundă și de explorarea unor etichete și atribute suplimentare. Cu toate acestea,
rămân provocări în înțelegerea predicțiilor estetice și în abordarea subiectivității în
judecățile estetice.

g.Considerații etice: Implicațiile etice ale utilizării esteticii computaționale, în

special în domenii precum publicitatea și manipularea media, necesită o atenție
atentă pentru a preveni consecințele negative.
Atunci când se colectează date pentru antrenamentul modelelor estetice, este
important să se obțină consimțământul informat de la persoanele ale căror imagini
sunt utilizate. Preocupările privind confidențialitatea ar trebui abordate, iar datele
ar trebui gestionate în siguranță pentru a proteja confidențialitatea persoanelor.
CONCLUZII
Evaluarea estetică a imaginilor a cunoscut o dezvoltare
semnificativă în ultimii cincisprezece ani, datorită
disponibilității unor seturi mari de date adnotate și a
abordărilor de deep learning.

Disponibilitatea unor seturi de date estetice fiabile,

curate și bogat etichetate este importantă pentru
progresul esteticii computaționale, dar în prezent,
există o lipsă a unor astfel de seturi de date.
Provocările în estetica computațională includ abordarea
subiectivității în judecățile estetice, explicarea
predicțiilor estetice și colectarea de seturi de date la
scară largă cu etichete de încredere.
Natura subiectivă a deciziilor estetice și nevoia de
explicabilitate sunt dimensiuni importante în estetica
computațională.