图像美感评估,也就是可计算图像美学,指的是利用计算机,模拟人的视觉认知与心理认知,对给定的图像做出美学意义上的评估分数。近年来,随着以深度学习为代表的一系列方法的发展,建立通用的图像美感评估模型取得了长足的进步。然而,图像美感评估是一个十分主观的任务,不同的受众有不同的认知。因此,一个通用的美感评估模型并不适用于所有的用户。个性化的图像美感研究,尤为重要。个性化图像美感研究,指的是在可计算的图像美感研究中,单独地去考虑每一个用户,对用户的图像审美偏好进行学习。这项研究,主要面临着以下的这些挑战。首先,用户个性化美感的公开数据集较少。这是因为用户个性化信息收集较为困难,并且每个用户能提供的带有个性化美感信息的图像不够丰富。其次,用户个性化美感往往是抽象、没有明确规则的,这跟通用美感研究的挑战性是一致的。上述的客观原因制约了这个领域的发展,导致相关研究进展缓慢,可参考的文献资料等相对匮乏。本文主要针对个性化的图像美感研究中的两个问题,进行了研究。(1)用户美感评估,研究的是怎么才能更好地为不同的用户,构建符合他们审美偏好的图像美感分数评估模型;(2)用户美感表征,研究的是怎样才能更好地根据用户喜欢的多张图像,构建起有效的用户表征向量,用于用户识别、用户推荐等的任务。虽然研究者们在这几个方向都做出了很多富有意义的开创性工作,但是现有的研究工作依然存在着若干问题:1、对于用户美感评估,现有的方法借助残差模型的思想,结合了图像美学属性或者是真实用户的在线反馈进行用户个性化的图像美感评估模型的快速构建。这种方法没有解决用户数据量过少的问题,从用户数据中提取的信息有限。2、对于用户美感表征,现有的方法利用生成式的Counting Grid模型,借由所构建起来的图像数据内部结构对用户的图像美感偏好进行表示。这种表征方法会将用户表示为一个稀疏的结构,降低了用户个性偏好表征的信息密度,建模效率不够高;针对以上提出的问题,本文主要以个性化的图像美感作为研究对象,对相关问题进行了深入研究,研究内容包括基于元学习模型的用户美感评估与基于生成式Counting Grid模型的用户美感表征。本文主要取得了如下的创新成果:1、对于用户美感评估,首次将元学习的思想引入到用户个性化美感建模,将求解用户个性化美感评估模型这一个任务看成是元学习的测试过程,利用元学习这一方法解决用户数据量过小的问题,并针对实际的情况创新性地提出了一个基于混合策略以及元正则的元学习策略,以提升模型的泛化性能。本文提出的方法,给出的用户个性化图像美感评分预测,与用户的真实评分更吻合。2、对于用户美感表征,针对一个生成式模型的用户图像美感偏好建模方法,提出了一种网格空间集聚的改进,将原本较为稀疏的、不利于进行数值计算的用户表征,转变为更稠密的、信息量更大的表征形式,同时针对实际情况中的数据不平衡问题进行了改进。本文提出的方法,在用户识别、相似用户距离等的实验中都取得了更好的结果。