ДОСВІД ЗАСТОСУВАННЯ МАШИННОГО НАВЧАННЯ В ПРОЦЕСІ АУТЕНТИФІКАЦІЇ ТА АТРИБУЦІЇ РОБІТ КАЗИМИРА МАЛЕВИЧА
DOI:
https://doi.org/10.32782/uad.2024.3.7Ключові слова:
Казимир Малевич, аутентифікація, атрибуція, машинне навчання, мистецтвознавство, техніко-технологічний аналіз.Анотація
У статті досліджується застосування технологій машинного навчання для аутентифікації та атрибуції творів Казимира Малевича. Особливу увагу приділено необхідності впровадження інноваційних підходів у мистецтвознавчій експертизі, що стає все більш актуальним у зв'язку зі складністю процесів ідентифікації та перевірки автентичності художніх творів. Підкреслюється, що традиційні методи не завжди можуть забезпечити належний рівень точності, тоді як використання алгоритмів машинного навчання дозволяє значно підвищити ефективність цих процесів, автоматизуючи збір, обробку та аналіз великих обсягів даних. Розглядаються різні методи техніко-технологічного аналізу, зокрема оптична мікроскопія, ультрафіолетова та інфрачервона спектроскопія, а також рентгенофлуоресцентний аналіз, які є ключовими інструментами для дослідження технічних характеристик картин Малевича. Ці методи, у поєднанні з машинним навчанням, дозволяють виявляти стилістичні особливості та технічні деталі, які є критичними для точної атрибуції творів мистецтва. На прикладі робіт Малевича, таких як «Зимовий пейзаж» і «Літній пейзаж», демонструється, як машинне навчання може сприяти виявленню унікальних стилістичних рис, що є основою для точного визначення авторства. У статті також підкреслюється важливість інтеграції різноманітних джерел даних, що дозволяє створити більш повну та достовірну картину про мистецькі твори. Зазначається, що використання машинного навчання в мистецтвознавстві відкриває нові можливості для ідентифікації підробок та встановлення точного походження художніх творів, що особливо актуально в умовах сучасного ринку мистецтва, де кількість фальсифікацій зростає. У перспективі такі технології мають потенціал стати стандартом у галузі мистецтвознавства, сприяючи не лише підвищенню точності досліджень, але й значному зменшенню ризику помилок, що робить їх незамінними в сучасних умовах, де наукова точність і об'єктивність є вирішальними факторами.
Посилання
Schaer L., Postma E., Popovici C. Art authentication with vision transformers, Neural Computing and Applications. 2024. 36: 11849–11858.
Bell P., Offert F. Reflections on connoisseurship and computer vision. Journal of Art Historiography. (24). 2021.
Qi H., Taeb A., Hughes S.M. Visual stylometry using background selection and wavelet-HMT-based Fisher informa-tion distances for attribution and dating of impressionist paint-ings. Signal Process. 2013. 93(3): 541–553.
Liu H., Chan R.H., Yao Y. Geometric tight frame based stylometry for art authentication of van gogh paintings. ApplComput Harmon Anal. 2016. 41(2): 590–602.
Lyu S., Rockmore D., Farid H. A digital technique for art authentication. In: Proceedings of the National Academy of the U.S.A. 2004. 101(49), pp. 17006–17010.
Hughes JM., Graham DJ., Rockmore DN. Quantification of artistic style through sparse coding analysis in the drawings ofPieter Bruegel the Elder. Proc Natl Acad Sci. 2010. 107(4): 1279–1283.
Liu Z., Lin Y., Cao Y., Hu H., Wei Y., Zhang Z., Lin S., Guo B. Swin transformer: hierarchical vision transformer using shifted windows. In: Proceedings of the IEEE/CVF international conference on computer vision (ICCV). 2021.
Krizhevsky A., Sutskever I., Hinton GE. Imagenet classi-fication with deep convolutional neural networks. Commun ACM. 60 (6): 84–90.
Салата O. (2021). Казимир Малевич в авангардних дискусіях 1928-1930 років. Київські історичні студії, 2017. 2 (13). С. 36–41.
Markade J.-C. «Жіночий торс №1» Малевича: прообраз нової постсупрематичної іконності. 2020. URL: https://www.vania-marcade.com/%D0%B6%D0%B5%D0%BD%D1%81%D0%BA%D0%B8%D0%B9-%D1%82%D0%BE%D1%80%D1%81-%E2%84%96-1-%D0%BC%D0%B0%D0%BB%D0%B5%D0%B2%D0%B8%D1%87%D0%B0-%D0%BF%D1%80%D0%BE%D0%BE%D0%B1%D1%80%D0%
B0%D0%B7-%D0%BD%D0%BE/
Postma EO., Herik HJvd. Discovering the visual signature of painters. Future directions for intelligent systems and infor-mation sciences. The future of speech and image technologies,brain computers, WWW, and Bioinformatics. Springer, Heidelberg, 2000. pp. 129–147.
Drutt M. Kazimir Malevich: Suprematism. Guggenheim Museum Publications. 2003.
Liu Z., Hu H., Lin Y., Yao Z., Xie Z., Wei Y., Ning J., Cao Y., Zhang Z., Dong L., Wei F., Guo B. Swin transformer v2: scaling up capacity and resolution. In: CVPR 2022.
Zhu Y., Ji Y., Zhang Y., Xu L., Zhou AL., Chan E. Machine: the new art connoisseur. arXiv preprint arXiv:1911.10091. 2019.
