基于绘画中物质描绘的大规模数据库的研究洞见
Insights from a Large-Scale Database of Material Depictions in Paintings
Hubert Lin, Mitchell J. P. Van Zuijlen, Maarten Wijntjes, Sylvia Cornelia Pont, Kavita Bala
Lecture notes in computer science · 2021-01-01
开放获取艺术理论被引 9被引前 50%影响因子 ≈1.6
摘要
本研究依托一个涵盖大量绘画作品的物质描绘数据库，旨在揭示绘画中对各类物质的呈现规律及其背后的艺术逻辑与文化内涵。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 本文探讨了深度学习视觉识别系统与绘画艺术作品之间的双向促进关系。一方面，针对自然图像设计的深度学习模型能够有效应用于绘画作品的材料分割与检测；另一方面，绘画作品因其包含的感知线索，能够帮助神经网络学习到更具泛化能力和可解释性的特征，并可作为评估领域适应算法的有效数据源。
- 研究方法
- 研究基于包含1.9万幅画作的MIP数据库，开展了四组核心实验。首先运用GrabCut和DEXTR模型进行交互式分割，并使用FasterRCNN进行材料边界框检测；其次通过对比照片和绘画训练的分类器在织物细粒度分类上的表现，结合GradCAM热力图和众包用户研究评估特征的可解释性；最后利用该数据集测试了不同数据规模下无监督领域适应算法的表现。
- 学术贡献
- 研究证明了自然图像识别系统在艺术画作材料分析中的适用性，为数字艺术史提供了大规模自动标注和检索的新途径。同时，揭示了绘画数据在提升模型跨域泛化能力和特征可解释性方面的独特价值，并指出了现有无监督领域适应算法在数据量充足时可能失效的现象，为该领域提供了新的评估基准。
- 存在局限
- 在细粒度织物分类实验中，所使用的数据样本量相对较小，且仅探索了棉/毛和丝/缎两种有限的材料类型。此外，在材料检测实验中，由于数据集在空间上的非穷尽标注，仅报告了图像级别的准确率，未通过用户研究进一步量化局部边界框的有效性。
- 进一步研究方向
- 未来可探索是否有其他材料或物体能从绘画训练中获得比照片训练更好的识别效果。研究还建议结合实例检测与材料识别以提取互补信息，并指出在无监督领域适应中数据量增加时源模型表现优异的现象值得更深入的探索。
本综述由 AI（GLM-5）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Aesthetic Perception and Analysis