训练卷积神经网络通过绘画3D地形识别画家

　　通过一种新开发的人工智能工具，识别绘画伪造品变得更容易了。该工具可以精确地识别风格差异，精确到一个画笔刷毛。 Case Western Reserve University （ CWRU ）团队的 research 通过训练卷积神经网络，根据绘画的 3D 地形来学习和识别画家。这项工作可以帮助历史学家和艺术专家区分合作作品中的艺术家，并找到伪造的作品。

　　鉴定古画有几种方法。专家经常评估材料的类型和状态，并使用科学方法，如显微分析、红外光谱和反射术。

　　但是，这些详尽的方法非常耗时，可能会导致错误。他们也无法识别一件艺术品的多个画家。根据这项研究，像埃尔·格雷科和伦勃朗这样的画家经常雇佣艺术家的工作室，以与自己相同的风格绘制画布的各个部分，使得个人贡献不明确。

　　虽然用机器学习分析艺术品是一个相对较新的领域，但最近的研究集中于将人工智能方法与高分辨率的绘画图像相结合，以了解画家的风格并识别画家。研究人员假设， 3D 分析可以保存比图像更多的数据，在图像中，笔触图案、油漆沉积和干燥方法等特征可以作为艺术家独特的指纹。

　　CWRU 的安布罗斯·斯瓦西物理学教授、资深作家肯尼斯·辛格（ Kenneth Singer ）在一份 press release 的报告中说：“ 3D 地形是人工智能“看到”绘画的一种新方式。”。

　　研究人员用光学轮廓仪从一个表面提取地形数据，扫描了同一场景的 12 幅画，用相同的材料绘制，但由四位不同的艺术家绘制。光学轮廓仪通过对约 5 至 15 mm 的小方形艺术片进行采样，检测并记录表面的微小变化，这可归因于某人如何握住和使用画笔。

　　然后，他们训练一组卷积神经网络来发现小斑块中的模式，为每个艺术家采样 160 到 1440 个斑块。使用 NVIDIA GPU 和 cuDNN 加速深度学习框架，该算法将样本匹配回单个画家。

　　研究小组对一位艺术家的 180 幅油画进行了算法测试，将样本与一位画家进行了匹配，准确率约为 95% 。

　　据合著者、 CWRU 的 Warren E.Rupp 物理学副教授 Michael Hinczewski 所说，在训练数据集有限的情况下，使用如此小的训练集的能力对于后来的艺术历史应用是有希望的。

辛切夫斯基说：“其他大多数使用人工智能进行艺术归属的研究都集中在整个绘画的照片上。”。“我们将这幅画分解成从半毫米到几厘米见方的虚拟小块。因此我们甚至不再有关于主题的信息，但我们可以从单个小块准确地预测谁画了它。这太神奇了。”

　　根据他们的发现，研究人员将表面形貌视为使用无偏定量分析进行归因和伪造检测的额外工具。在与位于马德里的艺术保护公司 Factum Arte 的合作下，该团队正在对西班牙文艺复兴时期画家 El Greco 的几件作品进行艺术家工作室归属和保护研究。

　　与研究相关的数据和代码可通过 GitHub 获取。这项工作是来自 CWRU 艺术史和艺术系、克利夫兰艺术学院和克利夫兰艺术博物馆的研究人员的共同努力。

　　关于作者

　　Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

　　审核编辑：郭婷