Peak-End-Net：用“峰终定律”重新思考视频美学评价

导语

视频美学评价（Video Aesthetic Assessment, VAA）要回答一个看似简单、实际很难的问题：一段视频到底“好不好看”。相比图像质量评价、图像美学评分等任务，视频美学评价更复杂，因为它不仅涉及单帧画面的构图、色彩与清晰度，还涉及镜头推进、节奏变化、关键瞬间和结尾给人的整体印象。

来自 arXiv 的论文《Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment》提出了一种名为 Peak-End-Net 的框架。它的核心思路并不是让模型平均地观看整段视频，而是借鉴心理学中的“峰终定律”：人们回忆一段体验时，往往更受最突出时刻和结尾体验影响。

核心要点

• 从心理学规则出发建模视频审美：Peak-End-Net 将“峰值时刻”和“结尾”作为视频整体美感判断的重要线索，使模型具备更直观的解释路径。
• 把图像美学知识迁移到视频任务：论文引入预训练的图像美学评估头，为视频帧生成逐帧美学先验。这些先验用于识别更可能影响观感的显著画面，并辅助后续时间聚合。
• 不只看关键帧，也看审美节奏：视频的吸引力并不完全来自某几个画面。为捕捉美感随时间变化的过程，作者设计了美学节奏编码器，用于建模视频在时间维度上的审美演进。
• 通过动态门控融合增强鲁棒性：不同视频、不同数据分布下，峰值、结尾和节奏信息的重要性可能不同。Peak-End-Net 使用动态门控融合机制，对整体判断进行调节，以提升跨域场景下的稳定性。
• 参数效率较高：该方法基于冻结的视觉 Transformer（ViT）构建，只训练较少参数，因此更适合扩展到大规模视频场景。

意义与影响

这项工作的价值不只在于刷新基准结果，更在于为视频理解提供了一条“心理学启发”的建模路径。过去很多视觉评估方法倾向于把视频拆成帧或片段，再做统计式汇总；Peak-End-Net 则强调人的主观体验并非均匀累积，而是会被少数关键瞬间和结束印象放大。

对于短视频推荐、内容创作辅助、自动剪辑和视频生成评估等应用，这类模型可能带来更贴近人类观感的评分方式。例如，一个视频前半段普通，但结尾镜头很有冲击力，传统平均式模型可能低估它的吸引力；而峰终式建模有机会捕捉这种体验差异。

当然，论文摘要也显示，视频美学评价仍受限于数据规模和审美主观性。不同文化、平台和内容类型下，“好看”的标准并不相同。因此，Peak-End-Net 的启发意义在于：未来的视频评价模型或许需要同时结合视觉特征、时间结构与人类认知规律，而不只是扩大模型和数据。

来源：arXiv