面向历史画作艺术家鉴定的手工特征辅助单类学习
计算机视觉与模式识别
2026-01-21 v1
摘要
纸质作品的鉴定与归属仍是文化遗产领域面临的长期挑战，尤其是在可用参考语料库较小且风格线索主要通过线条和有限的色调变化来表达时。我们提出了一种基于验证的计算框架，使用在紧凑且可解释的手工特征集上训练的单类自编码器进行历史画作鉴定。使用来自大都会艺术博物馆开放获取收藏、阿什莫林博物馆藏品目录、摩根图书馆与博物馆、皇家收藏信托（英国）、维多利亚和阿尔伯特博物馆藏品以及 Casa Buonarroti 收藏在线目录的已鉴定草图，训练了十个特定艺术家的验证器，并在包含真实和冒充测试的生物特征风格协议下进行评估。特征向量包括傅里叶域能量、香农熵、全局对比度、基于灰度共生矩阵（GLCM）的同质性以及分形复杂度的盒计数估计。在 900 次验证决策（90 次真实和 810 次冒充测试）中，在所选工作点处，汇总系统实现了 83.3% 的真实接受率，误接受率为 9.5%。性能因艺术家而异，部分验证器的误接受率接近零，而其他验证器则表现出较高的混淆度。对错误接受案例的成对归属分析表明，结构化的错误路径与风格相近和共享绘画惯例相一致，同时也促使对数字化伪影和阈值校准进行更严格的控制。所提出的方法旨在补充而非取代传统鉴定，通过提供适合历史素描归属中常见数据稀缺环境的可重复定量证据。
引用
@article{arxiv.2601.11627,
title = {Handcrafted Feature-Assisted One-Class Learning for Artist Authentication in Historical Drawings},
author = {Hassan Ugail and Jan Ritch-Frel and Irina Matuzava},
journal= {arXiv preprint arXiv:2601.11627},
year = {2026}
}