AI entre dans l'arène d'attribution

[ad_1]

Des images de vaches répétées sur une série de peintures attribuées à Jan Brueghel l'Ancien.Crédit: Eric Monson et Elizabeth Honig

Lorsque des voleurs d'art ont fait irruption dans une église du nord-ouest de l'Italie en mars dernier, ils pensaient voler une œuvre du dix-septième siècle du peintre flamand Pieter Brueghel le Jeune. En fait, la police de la petite ville ligure de Castelnuovo Magra avait été prévenue et échangée La crucifixion, d’une valeur de 3 millions d’euros (3,3 millions de dollars US), pour une copie bon marché.

Pour être juste envers le gang, un certain nombre d’œuvres de Brueghel semblent presque interchangeables. Un similaire Crucifixion attribué au même artiste se trouve au Philadelphia Museum of Art en Pennsylvanie. Et Brueghel a probablement copié les deux tableaux d'un autre artiste par son père pionnier, Pieter Bruegel the Elder – dont le travail a également fortement influencé son autre fils, Jan (connu sous le nom de Jan Brueghel the Elder). Avec une dynastie d’artistes prolifiques, certains se reproduisant et leurs propres œuvres, l’attribution peut être cauchemardesque.

Elizabeth Honig étudie ces complexités pour mieux comprendre qui peignait quoi et influençait qui dans l'art de la Renaissance nordique. Et maintenant, elle a demandé de l'aide à l'œil infatigable d'un ordinateur.

Honig – historienne de l'art à l'Université de Californie à Berkeley – possède une base de données de plus de 1 500 images de Brueghel reproduites numériquement, la plupart attribuées à Jan. En 2016, elle a initié une collaboration inhabituelle avec des chercheurs en intelligence artificielle (IA) en France et aux États-Unis. États, déployant une vision informatique de pointe pour aider à analyser les similitudes et à les retracer d'un travail à l'autre. D'autres historiens de l'art voient également des possibilités d'exploiter l'apprentissage machine pour apporter un soutien empirique à des théories et à des idées auparavant réservées aux yeux subjectifs des spectateurs.

M. Honig explique que l’ordinateur peut recueillir «tellement plus de détails, tellement plus facilement». Prenez des moulins à vent: des centaines de photos qui les représentent remplissent sa base de données Brueghel. L'algorithme a recueilli des images identiques des structures dans plusieurs peintures. Il peut même indiquer quand une réplique a été retournée. Et cela a aidé à identifier des copies exactes de lions, de chiens et d’autres personnages. Les ateliers de nombreux artistes de la Renaissance étant des espaces de co-travail, la technique informatique aide Honig à comprendre la manière dont différents artistes, de la famille ou non, pourraient collaborer. "Rubens entre et fait quelques chiffres, puis Jan Breughel entre et fait les chevaux, le chien et le lion, car il est" Mister Animal ", explique Honig. "Et alors ils vont bien ensemble."

De nombreux historiens de l'art ont supposé, sur la base de registres et d'une observation attentive, que c'était ce qui se passait avec de nombreuses peintures des jeunes Brueghels. L'ordinateur aide à le prouver. Hong dit: "Cela répond à beaucoup de questions sur le processus de production."

Les informaticiens apportent leurs propres questions au projet. Pour eux, la collection de Honig constitue un ensemble de données parfait pour étendre leurs algorithmes. Selon Mathieu Aubry, spécialiste en vision par ordinateur et en apprentissage en profondeur à l’École des Ponts ParisTech, en France, travailler avec des peintures met au défi la capacité du programme de faire correspondre les motifs. La difficulté réside dans les différences de supports et de couleurs. La vision par ordinateur ne peut pas, explique-t-il, "reconnaître qu’une maison est identique à un dessin et à une peinture à l’huile si elle n’a pas été formée pour le faire". La linéarité prononcée du dessin et les contours relativement flous de la peinture à l'huile peuvent confondre les algorithmes.

Il serait trop long d'annoter des objets identiques ou d'apprendre à l'ordinateur à rechercher certaines similitudes, telles que la forme. Aubry et ses collègues ont donc utilisé une technique appelée apprentissage en profondeur non supervisé, dans laquelle l'algorithme affiche les images et trouve des similitudes pour lui-même. Les résultats pourraient alimenter des applications plus pratiques de la vision de l'IA, dit-il, telles que les voitures autonomes.

Son équipe a publié les résultats – par exemple, un canon et un lustre répétés sur cinq images distinctes – sur le serveur de pré-impression arXiv en mars (X. Shen et al. Preprint at; 2019). Et la semaine prochaine, ils les présenteront à la conférence 2019 sur la vision par ordinateur et la reconnaissance des formes à Long Beach, en Californie. Bien que l'apprentissage en profondeur non supervisé nécessite généralement beaucoup de puissance informatique, explique Aubry Aubry, il est en grande partie à l'abri des idées préconçues. C’est donc un bon moyen d’éviter les biais tels que la tendance à se concentrer sur les principales caractéristiques d’une image.

Tendances révélatrices

Une technologie similaire est utilisée à la Rutgers University de Piscataway, dans le New Jersey, pour cartographier la manière dont le style est défini et évolue avec le temps chez des artistes aussi divers que Rembrandt van Rijn et l'artiste russe d'avant-garde Kazimir Malevich. «Nous avions des théories, mais elles ne peuvent pas être prouvées», déclare l’historienne de l’art Marian Mazzone, membre du laboratoire Rutgers sur l’art et l’intelligence artificielle. "L'informatique peut être un outil qui peut m'aider à répondre de manière empirique à certaines de ces questions."

En collaboration avec Ahmed Elgammal, responsable du laboratoire, elle a produit une analyse numérique de 77 000 œuvres d'art couvrant cinq siècles, de la Renaissance au pop art (A. Elgammal et al. Preprint at; 2018). À l’étonnement de l’équipe, l’ordinateur, qui utilise également un apprentissage non supervisé, place les œuvres dans l’ordre chronologique.

Le projet a confirmé une théorie de l'éminent historien de l'art du XXe siècle, Heinrich Wolffin. Il a fait valoir que les changements de style artistique pourraient être analysés et classés selon cinq caractéristiques binaires. L’un d’eux était de savoir si l’œuvre était «linéaire» (contournée, comme dans l’œuvre de Sandro Botticelli) ou «peintre» (reposant davantage sur des coups de pinceau indiquant l’ombre et la lumière, comme dans les peintures de Tintoret). Elgammal soutient que l'intelligence artificielle permet de traiter l'histoire de l'art, pour la première fois, comme une science prédictive comparant la théorie aux observations.

Ailleurs, AI est mobilisé pour s'attaquer à un problème perpétuel d'héritage matériel qui sous-tend l'histoire de l'art: la détérioration. Par exemple, le système Verus Art de la jeune entreprise Arius Technology à Vancouver (Canada) déploie un système de numérisation 3D – initialement conçu pour étudier les dommages subis par Leonardo da Vinci. Mona Lisa – reproduire les œuvres avec précision, jusqu'aux coups de pinceau texturés et aux teintes pigmentées. Destinées à l’éducation, à la diffusion et aux archives, les peintures «sauvegardées» pourraient avoir un autre usage: déjouer les voleurs plus perspicaces que ceux trompés par la copie bon marché de Castelnuovo Magra.

Inscrivez-vous pour le quotidien Briefing Nature Courriel

Restez au courant de ce qui compte dans la science et pourquoi, choisi à la main La nature et d'autres publications dans le monde.

S'inscrire

[ad_2]