图片来源：Zeng, van der Lubbe & Loog
荷兰代尔夫特理工大学（TU Delft）的研究人员最近研发了一种基于卷积神经网络（CNN）的模型，重建随时间变迁而褪色的画作。在施普林格（Springer）的《机器视觉与应用》（Machine Vision and Applications）上发表的研究中，研究人员专门使用该模型重建文森特·梵高（Vincent Van Gogh）的画作，这些画作多年来因墨水褪色和变色而受损。
这项研究的其中一名研究人员Jan van der Lubbe在TechXplore网站上写道：“荷兰在艺术方面享有国际声誉，有伦勃朗（Rembrandt）、蒙德里安（Mondrian）和梵高（Van Gogh）等著名艺术家。因此，对艺术史的研究以及探索保护文化遗产的方式对荷兰艺术发展起着重要作用。”
近些年，越来越多的研究人员尝试研发用于艺术品分析的机器学习技术，如CNNs。到目前为止，这些技术主要用于识别创作作品的艺术家，或辨别画作是真品还是赝品。
与之前的研究不同，van der Lubbe和他的同事致力于研究机器学习技术在受损作品像素重建中的应用。艺术保护中绘画和素描受损是一个关键的挑战，而自动重建不完整或受损艺术品的技术将会很大程度简化艺术史学家的工作。
代尔夫特理工大学（TU Delft）的研究团队训练了基于CNN的模型，该模型用于重现后印象派画家梵高的受损画作。事实上，在过去的一个世纪里，梵高的一些水墨画已经严重受损，艺术历史学家们常试图重现这些画作。
目前，这些画作无法展出，几十年后可能会完全褪色。考虑到这一点，为了保护这些无价艺术品并使其对外开放，Van der Lubbe和他的同事们想研发一种自动重建艺术品的模型。
“我们研究的主要目标之一是通过机器学习的方法，预测纸质艺术品的源头、过去和未来的特征，这一方法综合了对所有颜色的深入研究和它们随时间褪色的结果。”van der Lubbe说，“这可以帮助我们去猜想譬如观测梵高画作的创作时间等问题。”
van der Lubbe和他的同事将多分辨率图像分析技术与深度卷积神经网络（CNNs）相结合来预测像素图像过去的特征。卷积神经网络（CNNs）是一种受生物神经网络（比如人类大脑中的神经网络）启发的算法，它可以通过分析大量数据来完成特定任务。
“据我们所知，目前还没有或少有关于使用机器学习算法对艺术作品进行数字重建的研究，” van der Lubbe说。“这是促使我们研究和使用机器学习来重建艺术作品的关键。早期研究中，我们考虑过不同的机器学习算法，认为卷积神经网络（CNN）算法似乎最有发展前景。”
在他们的研究中，研究人员专门训练了CNN模型来数字化重建梵高的褪色纸质画作。算法中使用的数据集包含上个世纪不同时期绘制的不同质量的原始画作复制品。
“我们在研究中使用的样本是梵高画作的复制品，其内容和颜色受损不严重，因此更接近梵高的原作，” van der Lubbe说，“我们从梵高博物馆里获得了原画和复制品。”
van der Lubbe和他的同事提出的方法，除了表现出过去画作的外观，还可以帮助艺术历史学家制定适当的艺术品保护和修复策略，以及保护和展示艺术品的有效措施。
研究人员通过一系列实验对他们的模型进行评估并取得显著成果。他们的研究强调利用机器学习对褪色图像、文档和艺术品进行预测重建的可行性。尽管研究人员专注于将该模型用于重建梵高的画作，但它也可以应用于其他的受损纸质艺术品或19世纪手稿上的艺术品。
“与目前其他方法相比，我们在梵高画作的数字重建上取得的效果更好，”van der Lubbe说，“当然，梵高画作仅仅是一个测试样本。我们的技术也可以从梵高的作品扩展到其他艺术家的作品、油画以及旧文件。”
未来，van der Lubbe和他的同事研发的技术可帮助艺术历史学家创造出逼真的重建艺术品，否则这些艺术品可能会完全受损。在他们最近的研究中，研究人员每次专注于一幅画，在限量复制品的基础上对CNN模型进行训练。但是，该模型也可基于大量复制品来预测原始画作的样子。
此外，该技术目前通过可视化数据分析来工作。在接下来的研究中，研究人员想探究可视化与化学相关信息（例如，墨水成分和降解速率）的分析是否能够提高模型的性能。
“在目前的研究中，我们有一幅褪色的现代画，”van der Lubbe说，“我们认为重建原图也将是一项巨大的挑战，特别是在原图无法获得或已消失的情况下，因此我们只有过去的复制品。”
翻译：黄颜茹
审校：赵欢
引进来源：Tech Xplore
京公网安备11010502039775号
