知识卡片：Peak-End-Net：基于峰终定律的可泛化视频美学评估框架

英文标题： Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment
英文关键词： Video Aesthetic Assessment; Peak-End Rule; Foundation Model; Image Aesthetic Assessment; Temporal Aggregation; Vision Transformer

一句话结论

Peak-End-Net 是一种受心理学“峰终定律”启发的轻量级视频美学评估框架，利用冻结的视觉 Transformer 和少量可训练参数，在域内和跨域视频美学基准上均取得当前最优性能，验证了心理学建模在视频美学评估中的价值。

事件概述或研究问题

视频美学评估（VAA）旨在预测视频的美学吸引力，但相较于图像美学评估（IAA）等其他视觉评估任务进展缓慢。主要障碍包括：大规模标注基准的缺乏，以及美学判断固有的主观性。本文从心理学角度重新审视 VAA，基于“峰终定律”（人们主要依据体验中的高峰时刻和结尾来评判整体体验）设计新框架。

方法/产品要点

• 峰终定律启发的时间聚合：利用预训练的图像美学评估头为每一帧生成美学先验分数，作为识别美学高峰时刻的替代信号，并据此指导基于峰终定律的时序聚合。
• 美学节奏编码器：额外建模视频美学随时间演进的动态模式，超越孤立帧的评估。
• 动态门控融合机制：融合峰终聚合与节奏编码的输出，增强模型在分布偏移条件下的鲁棒性。
• 参数高效：基于冻结的视觉 Transformer（ViT）骨干，仅需训练少量参数，具有可扩展性。
• 开源：代码和模型已在 GitHub 发布（https://github.com/AMAP-ML/Peak-End-Net）。

主要结果或产业意义

• 在域内评估（VADB 基准）和跨域测试（DIVIDE-3K 基准）上均达到当前最优（state-of-the-art）性能。
• 证明了从心理学定律（峰终定律）出发的建模方式可以有效提升视频美学评估的泛化能力。
• 轻量级设计使其易于部署，对媒体内容审核、视频编辑、广告推荐等产业场景具有潜在应用价值。

为什么重要

• 首次将峰终定律系统性地引入视频美学评估领域，提供了新的心理学解释路径。
• 通过知识迁移（从 IAA 到 VAA）解决了视频美学评估标注数据稀缺的问题。
• 模型在跨域测试中表现优异，表明其具有较强的泛化能力，而不仅仅是过拟合特定数据集。

局限与不确定性

• 材料未提及在不同视频内容类型（如电影、短视频、纪录片）上的细粒度性能差异。
• 对“美学先验”准确性依赖度未量化；若图像美学头在特定帧上产生噪声，对最终预测的影响程度待核实。
• 峰终定律在跨文化、跨人群中的普遍适用性尚未在本实验中验证。

可用于图书/PPT/简报的角度

• 科普：用“峰终定律”解释为什么人们记住的不是整段视频，而是最精彩的片段和结尾——将该心理学原理用于 AI 视频评分。
• 技术报告：从图像美学到视频美学的知识迁移策略（预训练 IAA 头 + 冻结 ViT + 少量微调）。
• 产品设计：短视频平台如何利用“峰值时刻+结尾”的加权方式自动推荐高质量内容。

原始材料

• arXiv ID: 2607.13941v1
• 论文标题: Peak-End-Net: A Peak-End Rule Inspired Framework for Generalizable Video Aesthetic Assessment
• PDF 链接: https://arxiv.org/pdf/2607.13941v1
• 代码仓库: https://github.com/AMAP-ML/Peak-End-Net