Aesthetic Scorer 技能

该技能通过动态加权双层架构，为图像与照片提供全面的美学评估及改进建议。

架构概览

双评估源 + 动态权重：

1. 改进型美学预测器（Improved Aesthetic Predictor）：基于 CLIP ViT-L/14 + MLP，实现内容层级的美学打分

   • 理解图像语义与视觉冲击力
   • 基础权重：45%（可根据 NIMA 共识在 45%–70% 区间动态调整）

2. NIMA（Neural Image Assessment）：基于 MobileNet，实现技术质量打分

   • 提供详细的质量分布与标准差
   • 基础权重：55%（可根据 NIMA 共识在 30%–55% 区间动态调整）

动态权重逻辑：

• NIMA 返回标准差（std），反映评分分布的离散程度
• 高 std = 图像存在争议 = 更多权重倾向 IAP（内容导向）
• 低 std = 评分共识度高 = 采用平衡权重

动态权重公式

normalized_std = min(nima_std / 2.5, 1.0)
weight_iap = 0.45 + normalized_std * 0.25    // 取值范围：45% – 70%
weight_nima = 1.0 - weight_iap

// 当两模型得分差异显著时（diff >= 2.0）引入惩罚项
penalty = 0.05 * |IAP_score - NIMA_score|

weighted_score = weight_iap * IAP + weight_nima * NIMA - penalty

评估文本生成：

• 详细的评估文本（构图、色彩、光线、技术质量、改进建议）由 AI（WorkBuddy）生成，依据如下：
  • 两个模型输出的加权得分
  • 对照片内容的视觉理解
  • 专业摄影知识与行业最佳实践
• 全程无需调用外部 API，即可输出专业级分析结果

工作流程

第一阶段：并行执行两项评估

步骤 1：改进型美学预测器（动态权重）

1. 执行 scripts/score_improved_predictor.py
2. 解析输出得分（0–10 分制）
3. 记录为 score_improved

步骤 2：NIMA 模型（动态权重）

1. 执行 scripts/score_nima.py
2. 解析均值得分与标准差
3. 分别记录为 score_nima 和 nima_std

第二阶段：计算加权综合得分（动态）

步骤 2.1：计算动态权重

• 提取 NIMA 的标准差（std_score）
• 归一化处理：normalized_std = min(std_score / 2.5, 1.0)
• 计算权重：weight_iap = 0.45 + normalized_std * 0.25

步骤 2.2：必要时应用分歧惩罚

• 若 |IAP - NIMA| >= 2.0，则应用惩罚：penalty = 0.05 * |IAP - NIMA|

步骤 2.3：计算最终得分

weighted_score = weight_iap * IAP + (1-weight_iap) * NIMA - penalty

示例：

• IAP = 6.44，NIMA = 4.52，NIMA_std = 1.87
• normalized_std = 1.87 / 2.5 = 0.75
• weight_iap = 0.45 + 0.75 × 0.25 = 0.637（63.7%）
• weight_nima = 0.363（36.3%）
• Score_diff = 1.92 < 2.0，无惩罚
• 最终得分 = 0.637 × 6.44 + 0.363 × 4.52 = 5.74

安全说明：全部处理过程 100% 本地运行 —— 数据永不离开您的设备

第三阶段：按需生成指定详略程度的评估报告

关键提示：共支持三级详略程度

请始终优先在后台生成详细评估（10分）并保存；随后再根据用户请求呈现对应详略等级的版本：

用户如何指定不同等级：

• 未明确指定或使用“默认” → 使用 3分（中等），约 300 字
• “详细评价” / “详细版” / “完整评价” → 使用 10分（详细），约 4000 字
• “简要评价” / “简洁版” / “简要说明” → 使用 1分（简要），约 200 字

重要提醒：

• 务必首先在后台生成详细评估（10分）
• 保存详细评估内容，以便用户后续请求时可即时调取
• 严格依据用户请求呈现对应等级（默认为 3分）
• 若用户先查看摘要后要求“详细版”，须直接调取已保存的详细版本，禁止重新生成

各等级输出格式规范

等级 1：简要（每张照片约 200 字）

## [照片名称]

综合评分: X.XX/10 (等级: 夯/顶级/人上人/NPC/拉完了)
构图: [2–3句话]
色彩: [2–3句话]
光线: [2–3句话]
技术: [2–3句话]
建议: [3–4条关键建议]

等级 3：中等（默认，每张照片约 300 字）

## [照片名称]

### 综合评分: X.XX/10 (夯/顶级/人上人/NPC/拉完了)

### 综合分析

#### 构图评价
[3–4句话]

#### 色彩评价
[3–4句话]

#### 光线评价
[3–4句话]

#### 技术质量评价
[3–4句话]

### 改进建议

#### 拍摄技巧
[3条建议]

#### 后期处理
[3条建议]

#### 构图优化
[3条建议]

### 总体评价
[2–3句话]

等级 10：详细（每张照片约 4000 字）

## [照片名称]

### 综合评分: X.XX/10 (夯/顶级/人上人/NPC/拉完了)

### 评分解读
[3–4句话]

### 综合分析

#### 构图评价
[6–10句详细分析]

#### 色彩评价
[6–10句详细分析]

#### 光线评价
[6–10句详细分析]

#### 技术质量评价
[6–10句详细分析]

### 改进建议

#### 拍摄技巧
[5–7条详细建议]

#### 后期处理
[5–7条详细建议]

#### 构图优化
[5–7条详细建议]

### 总体评价
[3–4段，每段 6–8 句]

多图对比分析（等级 3，总计约 600 字）

## 照片对比分析

### 照片 1: [名称]
[同上等级 3 格式，约 300 字]

### 照片 2: [名称]
[同上等级 3 格式，约 300 字]

## 对比总结

| 对比项 | 照片1 | 照片2 | 胜出 |
|--------|-------|-------|------|
| 综合评分 | X.XX/10 | X.XX/10 | 照片X |
| 构图 | [评级] | [评级] | 照片X |
| 色彩 | [评级] | [评级] | 照片X |
| 光线 | [评级] | [评级] | 照片X |
| 技术质量 | [评级] | [评级] | 照片X |

## 综合建议
[3–4句话]

评分解读指南

“从夯到拉” 评分体系 / “From Hāng to Lā” Rating System

传统评分体系 / Traditional Rating

重要说明：综合评分格式示例如下：

综合评分: X.XX/10 (夯)
综合评分: X.XX/10 (顶级)
综合评分: X.XX/10 (人上人)
综合评分: X.XX/10 (NPC)
综合评分: X.XX/10 (拉完了)

异常处理

任一评估模块失败时的应对策略：

1. 改进型预测器失败：仅使用 NIMA 评分

   • 最终得分 = NIMA 得分
   • 报告中标注：“Improved Predictor 不可用，仅使用 NIMA 评分”

2. NIMA 失败：仅使用改进型预测器评分

   • 最终得分 = Improved Predictor 得分
   • 报告中标注：“NIMA 不可用，仅使用 Improved Predictor 评分”

3. 双模块均失败：向用户说明情况，并建议稍后重试

脚本依赖

scripts/ 目录下所有脚本必须具备可执行权限：

• score_improved_predictor.py：快速美学打分
• score_nima.py：精细化质量分析
• comprehensive_score.py：集成加权打分

模型路径（本地安装）

默认路径（Windows）

环境变量（覆盖默认路径）

可通过设置环境变量自定义模型路径：

Python 运行时：F:softwarepythonpython.exe（Python 3.12）

所需依赖包（通过 pip install -r requirements.txt 安装）：torch>=2.0.0、torchvision>=0.15.0、transformers>=4.30.0、tensorflow>=2.12.0、tf_keras>=2.12.0、pillow>=10.0.0、numpy>=1.23.0

使用示例

用户：“请评价这张照片”
操作：并行执行两项评估，计算加权得分，生成等级 3 评估（默认，约 300 字）

用户：“详细评价这张照片”
操作：并行执行两项评估，计算加权得分，生成等级 10 评估（约 4000 字）

用户：“简要评价这张照片”
操作：并行执行两项评估，计算加权得分，生成等级 1 评估（约 200 字）

用户：“对比这两张照片”
操作：分别评估两张照片，生成等级 3 的对比分析（总计约 600 字）

用户：[完成初步评估后] “给我看详细版”
操作：立即调取并呈现已缓存的等级 10 评估内容

注意事项

• 只要条件允许，务必同时执行两项评估
• 评估结论应以统一专家视角呈现，避免拆解为“模型 A 认为…模型 B 认为…”
• 除非用户明确指定，否则默认采用等级 3（中等详略）
• 始终在后台预先生成并保存等级 10（详细）评估
• 用户请求详细版时，必须调取已保存版本，禁止重复生成
• 避免在正文中反复提及评估模型来源（如“IAP 指出…”“NIMA 显示…”）
• 语言表达须自然流畅，符合专业摄影评论风格
• 严格按用户指令切换详略等级
• 支持中英文双语输出
• 综合评分处必须同步显示“从夯到拉”评级（如“5.74/10 (NPC)”）