論文の概要: PATCH: a deep learning method to assess heterogeneity of artistic practice in historical paintings

• arxiv url: http://arxiv.org/abs/2502.01912v2
• Date: Mon, 03 Mar 2025 05:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-04 16:12:42.762478
• Title: PATCH: a deep learning method to assess heterogeneity of artistic practice in historical paintings
• Title（参考訳）: PATCH:歴史画における芸術的実践の不均一性を評価するための深層学習手法
• Authors: Andrew Van Horn, Lauryn Smith, Mahamad Mahmoud, Michael McMaster, Clara Pinchbeck, Ina Martin, Andrew Lininger, Anthony Ingrisano, Adam Lowe, Carlos Bayod, Elizabeth Bolman, Kenneth Singer, Michael Hinczewski,
• Abstract要約: ルネサンス期と近世の絵画は、主に見習いの工房を監督する師匠によって制作された。 異なるワークショップがどのように管理され、どのようにアートワークが作られたかは明らかになっていない。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The history of art has seen significant shifts in the manner in which artworks are created, making understanding of creative processes a central question in technical art history. In the Renaissance and Early Modern period, paintings were largely produced by master painters directing workshops of apprentices who often contributed to projects. The masters varied significantly in artistic and managerial styles, meaning different combinations of artists and implements might be seen both between masters and within workshops or even individual canvases. Information on how different workshops were managed and the processes by which artworks were created remains elusive. Machine learning methods have potential to unearth new information about artists' creative processes by extending the analysis of brushwork to a microscopic scale. Analysis of workshop paintings, however, presents a challenge in that documentation of the artists and materials involved is sparse, meaning external examples are not available to train networks to recognize their contributions. Here we present a novel machine learning approach we call pairwise assignment training for classifying heterogeneity (PATCH) that is capable of identifying individual artistic practice regimes with no external training data, or "ground truth." The method achieves unsupervised results by supervised means, and outperforms both simple statistical procedures and unsupervised machine learning methods. We apply this method to two historical paintings by the Spanish Renaissance master, El Greco: The Baptism of Christ and Christ on the Cross with Landscape, and our findings regarding the former potentially challenge previous work that has assigned the painting to workshop members. Further, the results of our analyses create a measure of heterogeneity of artistic practice that can be used to characterize artworks across time and space.
• Abstract（参考訳）: 美術史は、芸術作品の制作方法に大きな変化を経験しており、創造的過程の理解が技術芸術史の中心的な問題となっている。 ルネサンス期と近世の絵画は、しばしばプロジェクトに貢献する見習いのワークショップを監督する師匠によって主に制作された。 師匠は、芸術的・管理的な様式で大きく異なり、芸術家と道具の組み合わせは、師匠と工房内、あるいは個々のキャンバスの両方で見ることができる。 異なるワークショップがどのように管理され、どのようにアートワークが作られたかは明らかになっていない。 機械学習手法は、筆画の分析を顕微鏡的なスケールに拡張することで、アーティストの創造過程に関する新しい情報を発掘する可能性がある。 しかし、ワークショップ絵画の分析は、関係するアーティストや資料の資料が乏しいこと、つまり外部のサンプルがネットワークをトレーニングして彼らの貢献を認識できないことの難しさを示唆している。 ここでは、異質性(PATCH)を分類するためのペア・アサイン・トレーニング(ペア・アサイン・トレーニング)と呼ばれる新しい機械学習手法を提案する。 この方法は教師なしの手段により教師なしの結果を達成し、単純な統計的手順と教師なしの機械学習手法の両方を上回ります。 スペイン・ルネサンス期の巨匠エル・グレコ(El Greco: The Baptism of Christ and Christ on the Cross with Landscape)による2つの歴史的絵画にこの方法を適用する。 さらに,本研究の結果から,時間的・空間的なアートワークを特徴付けることができる芸術的実践の不均一性の尺度が得られた。

関連論文リスト

• Art-Free Generative Models: Art Creation Without Graphic Art Knowledge [50.60063523054282]
  美術関連コンテンツへのアクセスなしに訓練されたテキスト・画像生成モデルを提案する。 そこで我々は,選択した芸術スタイルのごく一部の例を用いて,シンプルな,かつ効果的なアートアダプタの学習方法を提案する。
  論文  参考訳（メタデータ） (2024-11-29T18:59:01Z)
• Have Large Vision-Language Models Mastered Art History? [0.0]
  美術史家たちは長い間、芸術のユニークな側面を研究しており、スタイル予測はその分野の重要な要素である。 本稿では,視覚的およびテキスト的データを統合した大規模視覚言語モデルを用いて,絵画の美術的歴史的特性を効果的に予測できるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-09-05T13:33:57Z)
• Diffusion-Based Visual Art Creation: A Survey and New Perspectives [51.522935314070416]
  本調査は,拡散に基づく視覚芸術創造の新たな領域を探求し,その発展を芸術的,技術的両面から検討する。 本研究は,芸術的要件が技術的課題にどのように変換されるかを明らかにし,視覚芸術創造における拡散法の設計と応用を強調した。 我々は、AIシステムが芸術的知覚と創造性において人間の能力をエミュレートし、潜在的に増強するメカニズムに光を当てることを目指している。
  論文  参考訳（メタデータ） (2024-08-22T04:49:50Z)
• GalleryGPT: Analyzing Paintings with Large Multimodal Models [64.98398357569765]
  美術品の分析は、個人の審美性を豊かにし、批判的思考能力を促進することができる芸術鑑賞のための重要かつ基本的な技術である。 アートワークを自動解析する以前の作業は、主に分類、検索、その他の単純なタスクに焦点を当てており、AIの目標とは程遠い。 LLaVAアーキテクチャに基づいて微調整されたGalleryGPTと呼ばれる,絵画解析のための優れた大規模マルチモーダルモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T11:52:56Z)
• Learning to Evaluate the Artness of AI-generated Images [64.48229009396186]
  アートスコア(ArtScore)は、アーティストによる本物のアートワークと画像がどの程度似ているかを評価するために設計されたメトリクスである。 我々は、写真とアートワークの生成のために事前訓練されたモデルを採用し、一連の混合モデルを生み出した。 このデータセットはニューラルネットワークのトレーニングに使用され、任意の画像の定量化精度レベルを推定する方法を学ぶ。
  論文  参考訳（メタデータ） (2023-05-08T17:58:27Z)
• Inversion-Based Style Transfer with Diffusion Models [78.93863016223858]
  以前の任意の例として誘導された芸術的画像生成法は、しばしば形状変化の制御や要素の伝達に失敗する。 画像のキー情報を効率よく正確に学習できるインバージョンベースのスタイル転送手法(InST)を提案する。
  論文  参考訳（メタデータ） (2022-11-23T18:44:25Z)
• Quantifying Confounding Bias in Generative Art: A Case Study [3.198144010381572]
  本研究では,美術作品の学習スタイルにおける芸術運動の影響のモデル化が欠如していることから,難解なバイアスを定量化するための簡易な指標を提案する。 提案手法は,芸術作品における芸術運動の影響を理解する上で,最先端の外れ値検出法よりも有効である。
  論文  参考訳（メタデータ） (2021-02-23T21:59:30Z)
• Identifying centres of interest in paintings using alignment and edge detection: Case studies on works by Luc Tuymans [1.8855270809505869]
  興味の中心を確立するために,アーティストがオリジナル画像に適用する変換のいくつかをアルゴリズム的に分解する最初の予備ステップを設定した。 本研究は,まず,絵画をベースとしたオリジナル画像から最小部分を切り離し,絵をこのソースと整列させ,興味の中心を特定するための微小な差分を調査し,その役割を理解しようとする比較手法を提案する。
  論文  参考訳（メタデータ） (2021-01-04T10:04:19Z)
• Understanding Compositional Structures in Art Historical Images using Pose and Gaze Priors [20.98603643788824]
  画像合成は、アーティストとそのアートワークを研究するために、画像内の相互作用を分析するのに有用である。 本研究では,既存の機械学習技術を用いて,このプロセスの自動化を試みる。 本手法は, (a) 絵画のアクション領域とアクションラインの検出, (b) 前景と背景のポーズに基づくセグメンテーションの2つの中心的なテーマに焦点を当てる。
  論文  参考訳（メタデータ） (2020-09-08T15:01:56Z)
• Modeling Artistic Workflows for Image Generation and Editing [83.43047077223947]
  与えられた芸術的ワークフローに従う生成モデルを提案する。 既存の芸術作品の多段画像編集だけでなく、多段画像生成も可能である。
  論文  参考訳（メタデータ） (2020-07-14T17:54:26Z)
• Visual link retrieval and knowledge discovery in painting datasets [14.149494915144322]
  本稿では,デジタル絵画データセットにおける視覚的リンク検索と知識発見のためのフレームワークを提案する。 ビジュアルリンク検索は、ディープ畳み込みニューラルネットワークを用いて特徴抽出を行う。 歴史的知識発見は、グラフ解析を行うことによって達成される。
  論文  参考訳（メタデータ） (2020-03-18T21:16:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。