摘要

面部美学预测（Facial Beauty Prediction, FBP）是一项重要的视觉识别任务，旨在实现与人类感知一致的面部吸引力评估。为解决这一问题，研究者引入了多种数据驱动模型，尤其是先进的深度学习技术，而基准数据集则成为实现FBP的关键要素之一。以往的研究将面部美学识别建模为特定的监督学习问题，包括分类、回归或排序任务，这表明FBP本质上是一个具有多种范式的计算问题。然而，大多数现有的FBP基准数据集均在特定计算约束下构建，限制了基于这些数据集训练的计算模型的性能与灵活性。本文认为，FBP是一个多范式计算问题，并提出一个新的多样化基准数据集——SCUT-FBP5500，以支持多范式面部美学预测。SCUT-FBP5500数据集共包含5500张正面人脸图像，具有多样化的属性（性别：男/女；人种：亚洲人/高加索人；年龄等）以及多样化的标注信息（面部关键点、1至5分范围内的美学评分、美学评分分布等），从而支持不同范式下的计算模型，例如针对不同性别与人种的基于外观/基于形状的面部美学分类或回归模型。我们通过多种特征组合与预测器的搭配，以及多种深度学习方法，对SCUT-FBP5500数据集在FBP任务上的性能进行了评估。实验结果表明，该数据集显著提升了FBP的性能，并展现出在多个应用场景中的巨大潜力。