Modelleren en begrijpen van esthetische voorkeuren voor visuele patronen, foto's en schilderijen: Een vergelijking van menselijke perceptie en convolutional neural networks

Ondanks de intuïtie dat 'beauty is in the eye of the beholder' heeft recent onderzoek in empirische esthetiek voornamelijk gefocust op de rol van statistische kwaliteiten van afbeeldingen als quasi-universele, biologische factoren die aan de basis liggen van esthetische voorkeuren voor patronen, foto's en schilderijen. Door het succes van machine learning (deep neural networks, DNNs, and convolutional neural networks, CNNs) ontstond een nieuw onderzoeksdomein, computational aesthetics, dat zich focust op het trainen van neural networks om menselijke esthetiek ratings te voorspellen. Het doel van dit PhD project is het vormen van een verbinding tussen deze twee opkomende onderzoeksdomeinen, empirische en computationele esthetiek. Hiervoor zal verder gebouwd worden op lopend onderzoek in het labo rond de (psychofysische) basis en principes van perceptuele organisatie (perceptual grouping en figure-ground organization) wat relevant is voor de studie van esthetiek. Daarnaast zal er gebruik gemaakt worden van grootschalige online studies die esthetische voorkeuren peilde voor patronen, foto's en schilderijen. Een van de innovatieve aspecten van dit project is het programmeren van Generative Adversarial Networks (GANs) die nieuwe afbeeldingen kunnen genereren met een hogere esthetische waarde. Dit kan verder inzicht verschaffen in de onderliggende multidimensionale aspecten of latente variabelen tussen input en output, wat op zijn beurt kan helpen bij het vormen van hypotheses voor bijkomende psychofysische experimenten en online studies rond empirische esthetiek.