Aes-R1: 审美推理 — Unlocking the Essence of Beauty
复旦 + 清华 + 字节跳动，2025。
核心结论
- MLLM 在图像审美评估（IAA）中展现潜力，但直接应用 RL 无法激发推理模式。
- 提出 Aes-R1 框架：(1) AesCoT 数据管线构建高质量审美推理数据做 cold-start；(2) RAPO (Relative-Absolute Policy Optimization) RL 算法联合优化绝对分数回归和相对排序。
- 在多个 IAA benchmark 上 SOTA。
关键方法
AesCoT (Aesthetic Chain-of-Thought)
- 训练模型在评分前生成结构化解释（构图、色彩、光影、情感冲击等）
- Cold-start：先用审美推理数据微调，再 RL
RAPO (Relative-Absolute Policy Optimization)
- Absolute：回归绝对审美分数
- Relative：优化跨图像偏好排序
- 联合优化 → 既准又”懂”审美比较
与图像编辑的关系
- 审美评估 → 可以指导编辑方向（什么编辑”更美”）
- 与 EmoEdit 的 Aesthetic score 筛选有交集
- 审美推理能力可以集成到编辑模型中做”美化编辑”
与现有 Wiki 的关系
- 关联：扩散模型图像编辑与生成
- 为图像编辑提供”审美方向”的量化指导
- RAPO 的联合优化思路可推广到其他双目标优化场景