訓練卷積神經(jīng)網(wǎng)絡通過繪畫3D地形識別畫家

通過一種新開發(fā)的人工智能工具，識別繪畫偽造品變得更容易了。該工具可以精確地識別風格差異，精確到一個畫筆刷毛。 Case Western Reserve University （ CWRU ）團隊的 research 通過訓練卷積神經(jīng)網(wǎng)絡，根據(jù)繪畫的 3D 地形來學習和識別畫家。這項工作可以幫助歷史學家和藝術專家區(qū)分合作作品中的藝術家，并找到偽造的作品。

鑒定古畫有幾種方法。專家經(jīng)常評估材料的類型和狀態(tài)，并使用科學方法，如顯微分析、紅外光譜和反射術。

但是，這些詳盡的方法非常耗時，可能會導致錯誤。他們也無法識別一件藝術品的多個畫家。根據(jù)這項研究，像埃爾·格雷科和倫勃朗這樣的畫家經(jīng)常雇傭藝術家的工作室，以與自己相同的風格繪制畫布的各個部分，使得個人貢獻不明確。

雖然用機器學習分析藝術品是一個相對較新的領域，但最近的研究集中于將人工智能方法與高分辨率的繪畫圖像相結(jié)合，以了解畫家的風格并識別畫家。研究人員假設， 3D 分析可以保存比圖像更多的數(shù)據(jù)，在圖像中，筆觸圖案、油漆沉積和干燥方法等特征可以作為藝術家獨特的指紋。

CWRU 的安布羅斯·斯瓦西物理學教授、資深作家肯尼斯·辛格（ Kenneth Singer ）在一份 press release 的報告中說：“ 3D 地形是人工智能“看到”繪畫的一種新方式。”。

研究人員用光學輪廓儀從一個表面提取地形數(shù)據(jù)，掃描了同一場景的 12 幅畫，用相同的材料繪制，但由四位不同的藝術家繪制。光學輪廓儀通過對約 5 至 15 mm 的小方形藝術片進行采樣，檢測并記錄表面的微小變化，這可歸因于某人如何握住和使用畫筆。

然后，他們訓練一組卷積神經(jīng)網(wǎng)絡來發(fā)現(xiàn)小斑塊中的模式，為每個藝術家采樣 160 到 1440 個斑塊。使用 NVIDIA GPU 和 cuDNN 加速深度學習框架，該算法將樣本匹配回單個畫家。

研究小組對一位藝術家的 180 幅油畫進行了算法測試，將樣本與一位畫家進行了匹配，準確率約為 95% 。

據(jù)合著者、 CWRU 的 Warren E.Rupp 物理學副教授 Michael Hinczewski 所說，在訓練數(shù)據(jù)集有限的情況下，使用如此小的訓練集的能力對于后來的藝術歷史應用是有希望的。

辛切夫斯基說：“其他大多數(shù)使用人工智能進行藝術歸屬的研究都集中在整個繪畫的照片上。”?！拔覀儗⑦@幅畫分解成從半毫米到幾厘米見方的虛擬小塊。因此我們甚至不再有關于主題的信息，但我們可以從單個小塊準確地預測誰畫了它。這太神奇了?！?/p>

根據(jù)他們的發(fā)現(xiàn)，研究人員將表面形貌視為使用無偏定量分析進行歸因和偽造檢測的額外工具。在與位于馬德里的藝術保護公司 Factum Arte 的合作下，該團隊正在對西班牙文藝復興時期畫家 El Greco 的幾件作品進行藝術家工作室歸屬和保護研究。

與研究相關的數(shù)據(jù)和代碼可通過 GitHub 獲取。這項工作是來自 CWRU 藝術史和藝術系、克利夫蘭藝術學院和克利夫蘭藝術博物館的研究人員的共同努力。

關于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷