PATCH：评估历史绘画艺术实践异质性的深度学习方法
摘要
艺术史经历了诸多艺术创作方式的变迁，使理解创作过程成为技术艺术史的核心问题。在文艺复兴和早期 modern 时期，绘画主要由擅长技艺的师父指挥工作坊中的学徒们共同完成。师父在艺术风格和管理方式上差异很大，这意味着不同的艺术家组合和工具在师父之间、工作坊内部乃至单个画布上都可能出现。关于不同工作坊的管理方式以及艺术品创作过程的资料仍然稀缺。机器学习方法有潜力通过将笔触分析扩展到显微尺度，挖掘关于艺术家创作过程的新信息。然是，工作坊绘画的分析面临挑战，因为关于参与创作的艺术家和材料的记录稀少，缺乏外部实例用于训练网络识别其贡献。本文提出了一种新颖的机器学习方法，称为PAIRwise assignment training for classifying heterogeneity (PATCH)，其能够在没有外部训练数据或“ground truth”的情况下识别 individual artistic practice regimes。该方法以监督方式实现无监督结果，优于简单的统计方法和无监督机器学习方法。我们将其应用于西班牙文艺复兴大师 El Greco 的两幅历史绘画：《基督的洗礼》和《带山水的十字架上的基督》，我们关于前者的发现可能挑战了将该画归属工作坊成员的前期研究。进一步地，我们的分析结果创建了一种衡量艺术实践异质性的度量，可用于 characterize 不同时间和空间中的艺术品。
引用
@article{arxiv.2502.01912,
title = {PATCH: a deep learning method to assess heterogeneity of artistic practice in historical paintings},
author = {Andrew Van Horn and Lauryn Smith and Mahamad Mahmoud and Michael McMaster and Clara Pinchbeck and Ina Martin and Andrew Lininger and Anthony Ingrisano and Adam Lowe and Carlos Bayod and Elizabeth Bolman and Kenneth Singer and Michael Hinczewski},
journal= {arXiv preprint arXiv:2502.01912},
year = {2025}
}
备注
main text: 15 pages, 5 figures; SI: 10 pages, 4 figures; v2: minor typo corrections, higher resolution figures; v3: additional comparisons with alternative methods