Un nuevo conjunto de datos permite estudiar la estética visual con menos interferencia interpretativa

¿Por qué algunas imágenes nos parecen bellas y otras no? La investigación en estética empírica lleva años intentando responder a esta pregunta analizando grandes bases de datos de imágenes y comparando sus propiedades visuales con las valoraciones de los observadores. Sin embargo, la mayoría de los conjuntos de datos utilizados hasta ahora combinan dos niveles de información difíciles de separar: las características visuales de bajo nivel y el contenido semántico de alto nivel.

Las características de bajo nivel incluyen propiedades puramente perceptivas como el contraste, la luminosidad, la saturación, la textura, la simetría o la configuración espacial. En cambio, el contenido semántico hace referencia a la interpretación de la escena, como la presencia de personas, objetos, acciones o significados culturales. Esta combinación da lugar al conocido como semantic gap, la discrepancia entre la información visual que contiene una imagen y el significado que le atribuyen los observadores humanos. Este fenómeno puede introducir sesgos en la predicción de la preferencia estética, ya que las valoraciones suelen depender más del significado que de las propiedades visuales en sí mismas.

El nuevo conjunto de datos Minimum Semantic Content (MSC) se ha desarrollado precisamente para reducir este problema y permitir un estudio más acotado de la estética visual. Ha sido creado por investigadores del Departamento de Ciencias de la Computación de la Universitat Autònoma de Barcelona, el Centre de Visió per Computador (CVC) y la Universidad de Saint Andrews, e incluye 10.426 imágenes de escenas naturales con contenido semántico reducido y homogéneo. Cada imagen ha recibido 100 valoraciones estéticas individuales de observadores no expertos, procedentes de un conjunto aproximado de 10.000 participantes reclutados mediante crowdsourcing. El trabajo se ha publicado en abierto como data descriptor en la revista Scientific Data.

El objetivo del conjunto es permitir separar con mayor precisión la contribución de las características visuales de bajo nivel —más directamente medibles— de la influencia del significado de alto nivel, que tiende a introducir variabilidad subjetiva y cultural. Para lograrlo, se han excluido deliberadamente imágenes con personas, animales, objetos fabricados, texto o símbolos con carga semántica, y se ha trabajado con escenas naturales como vegetación, rocas, cielos o superficies de agua. Según el equipo investigador, este diseño permite aproximar mejor el análisis de la belleza visual a las propiedades perceptivas, reduciendo la interferencia de factores interpretativos. Alejandro Párraga, investigador del CVC y la UAB y autor del artículo, explica: «la mayoría de las bases de datos utilizadas en estética computacional no son neutras: contienen pistas semánticas y significados culturales que pueden influir fuertemente en la forma en que las personas juzgan la belleza. Con MSC hemos querido crear un recurso que permita aislar mejor la parte perceptiva de la experiencia estética».

El conjunto también incorpora versiones beautified (estéticamente mejoradas) y uglified (estéticamente degradadas) de parte de las imágenes, generadas con una herramienta propia denominada Uglifier, que modifica propiedades visuales de forma controlada sin introducir nuevo contenido semántico. Esta estrategia permite ampliar de manera sistemática el rango de preferencias estéticas y mejorar la cobertura de todo el espectro de valoraciones. «Esto no elimina por completo la semántica, pero sí la reduce y la homogeneiza lo suficiente como para formular preguntas más precisas sobre la relación entre las estadísticas de la imagen y la preferencia estética», añade Párraga.

Los resultados de validación muestran que esta redistribución tiene un impacto importante en los modelos de análisis. Tal como explica Oliver Penacchio, también investigador de la UAB y el CVC y autor del artículo, al comparar MSC con bases de datos tradicionales, se modifican los resultados en el 84 % de las métricas de imagen analizadas, y en aproximadamente un 20 % de los casos se invierte la relación observada entre las características visuales y la preferencia estética. Este hecho sugiere que parte del conocimiento previo en estética computacional podría estar condicionado por sesgos en la selección y distribución de los datos.

En conjunto, MSC proporciona una nueva base para estudiar la percepción estética con un control más estricto del contenido semántico. Al reducir y homogeneizar los elementos interpretativos de las imágenes, el recurso permite analizar con mayor precisión el papel de las propiedades visuales en la formación de las preferencias estéticas. Esto lo convierte en una herramienta útil para profundizar en el estudio de los mecanismos perceptivos que intervienen en la percepción de la belleza visual.

La base de datos se ha publicado en acceso abierto a través del Open Science Framework e incluye las imágenes, las anotaciones de valoración estética y el software de validación. Las imágenes son de dominio público o están bajo licencias que permiten su reutilización y distribución, facilitando así su adopción por parte de la comunidad científica.