本研究探讨了人工智能超分辨率图像的吸引力评估，构建了包含136张基础图像的数据库，评估了5种超分辨率方法，结果显示Real-ESRGAN和BSRGAN效果最佳，对超分辨率技术的发展具有重要意义。

本文探讨了增强视觉模型理解复杂图像文本信息的能力，提出了多模式视频基准“感知测试”，以评估预训练模型的感知与推理能力。同时，研究介绍了利用CLIP模型评估图像质量和抽象感知的方法，并提出了新的图像嵌入相似性评估工具CorrEmbed，旨在提升图像生成模型的评估与发展。

该研究提出了一种客观计算方法来评估图像的美学吸引力，称之为“结构之美”。通过递归分割提取更细粒度子结构，该方法能在全彩色图像中同时评估生动性，无需灰度转化或对前景和背景进行分开运算。该方法在应用中与主观评分具有高度一致性，证明结构之美是一种可量化属性。研究得出三个重要结论，包括能够准确分割对象、图像清晰度影响计算结果、与卷积神经网络方法有根本区别。该方法具有透明性和可解释性，是可解释人工智能领域的一条新途径。