爱美之心,人皆有之。从古至今人们从未停止过对“美”的追求。审美是人们与生俱来的能力,利用人工智能技术让计算机感知“美”、发现“美”和生成“美”,这是一项有意义的研究。随着照相机、摄像机和智能手机等可拍照设备的快速发展和广泛普及,人们已经习惯用照片来记录生活中的重要时刻。然而,受个人时间和精力的限制,人们无法快速地挑选出高质量的照片。受个人审美意识和审美能力的限制,人们无法像专业的摄影师一样提升图像美学质量。面对这样的问题,以人工智能为核心的图像美学质量评价和提升技术为人们获得高质量的照片提供了经济可行的解决方案,同时该技术推进了人工智能领域模拟人类审美和思维技术的发展。本文的主要工作和创新点如下:1.提出了一种基于显著孪生网络的图像美学质量评价算法考虑到人们对图像进行美学评价的过程中,不仅关注图像的全局美学效果,还会特别关注图像的主体区域,本文提出了一种基于显著孪生网络的图像美学质量评价算法。算法首先对原图和显著图提取深度特征。其次,提出一种新的组合池化策略解决网络的输入图像是固定尺寸的问题。最后,为了提高模型的性能,提出一个自适应的损失函数。实验结果表明,所提算法在三个数据集上的分类精度分别提高了2.9%、1.8%和5.4%,并且在运算速度上加快了9倍。2.提出了一种基于多标签的美学属性预测算法针对融合全局深度特征和美学属性特征会导致高复杂度和特征空间爆炸的问题,本文提出了一种基于多标签的美学属性预测算法。首先,设计并提取了五种美学特征,分别为亮度、色彩协调度、景深、运动模糊和三分构图。其次,为了解决特征融合过程中复杂度高的问题,提出了一种新颖的美学特征融合算法。最后,为了解决特征空间爆炸的问题,所提算法挖掘美学属性之间的关联性,仅利用3种美学特征,实现了多种美学属性的预测。实验结果表明,所提算法可以准确的评价图像的多个美学属性,尤其是在预测三分构图评分和图像清晰度评分上达到了非常好的效果,分类精度分别达到了97.8%和99.4%。3.提出了一种基于强化学习的图像美学裁剪算法针对图像自动裁剪算法忽略图像构图的问题,本文提出了一种基于强化学习的图像美学裁剪算法。首先,为了获得图像构图信息,设计并提取了三分构图特征。其次,为了解决裁剪候选框数量巨大的问题,将图像裁剪任务建模为基于强化学习的马尔科夫决策过程,并设计了算法的特征提取模块、智能体和裁剪动作空间。最后,为了提升裁剪后图像的美学和构图质量,设计奖励函数时加入了美学构图奖励函数和美学全局得分奖励函数。实验结果表明,所提算法在公开数据集上IoU(IntersectionoverUnion)值提高了7.18%,在裁剪步数上减少2步。4.提出了一种基于生成对抗网络的图像美学去模糊算法针对图像清晰度提升算法仅从客观指标评价图像,未从美学角度评价和改善图像质量的问题,本文提出了一种基于生成对抗网络的图像美学去模糊算法。首先,为了改善去模糊后图像的美学质量,利用美学评价网络计算美学清晰度损失和美学全局损失。其次,为了提高算法的边缘细节表达能力,改进了深度特征感知损失。接着,为了减小生成图像与清晰图像之间的差异,加入了像素损失。最后,构建了一个美学去模糊数据集。实验结果表明,所提算法提高了去模糊后图像的美学分数和清晰度分数,并展现出很好的主观视觉效果。