人工智能揭示伟大艺术家之间从未被认识到的影响
鉴别艺术作品的优劣是极端复杂的，在审视一副画作时，艺术专家通常会判断它所属的类型、流派、作者和时代。艺术历史学家更为深入，他们会寻找画家间的影响和联系，这项工作更为棘手。
因此，使用计算机去鉴别画作，寻找它们之间的联系，乍看起来很可笑。然而，在新泽西州的罗格斯大学，Bahak Saleh和pals已经完成了这项艰巨的工作。
这些精英们使用了最新的图像处理和分类技术，完成了对“伟大的艺术家们是如何互相影响”的自动化探索。他们甚至发现了艺术历史学家至今都未发现的一些影响。
艺术专家解决这类问题的方式，是通过一系列的“高级概念”对艺术作品进行比较，正如画家所使用的空间、结构、样式、形状、以及颜色等等。专家们还会考虑画家在画作中所运用的艺术手法，协调、变化、平衡、对比、比例和模仿等。其他重要的要素还包括创作的题材、笔法、寓意、历史背景等等。很显然，这是一项复杂的工作。
所以可以想象，计算机对二维图像有限的分析能力不太可能完成对这一工作的自动化处理。然而，Salah和他的团队却做到了。
他们所使用的方法的核心，是一项由新罕布什尔州的达特茅斯学院和英国剑桥微软研究所开发的新技术，这项技术能够根据画作包含的视觉概念对其进行分类。这些概念被称之为“classemes”，它包含了几乎所有的东西，从小的物质描述如鸭子、飞盘、人、独轮手推车到颜色变化再到高层面描述如死尸、水体、路面等等。
由此，比较图像就转变为了比较描述它们的“词汇”，这已经有众多成熟技术提供支持了。
Salah和他的团队将这种方法应用在1700多幅画作上，这些画作经由66个画家，包含13种风格，总的来说，这些画家跨越了从15世纪早期到20世纪末期的时长。为了最准确的评估他们的成就，专家针对这些艺术家是如何互相影响的意见也被考虑在内。
对每一幅画作的处理来说，为了达到最佳效率，他们将概念总数和兴趣点限制在3000个以内。这个过程会产生一系列描述性词汇，这些词汇可以被视为一种向量，之后的工作是使用自然语言技术和机器学习算法寻找相似的向量。
判定影响是很困难的，因为“影响”本身就是一个很难界定的概念。如果一副画作与另一幅极其类似，它的画家能被视为影响了另一个画家吗？还是说需要有一大批类似的画作？如果是，那需要多少呢？
Salah和他的团队试验了大量不同的指标，最终他们建立了一类二维图像，其中每根轴上都有不同的指标，之后将所有画家的作品都置于一处，观察它们是如何聚合的。
结果非常有趣，在很多案例中，他们的算法都清晰地识别出了艺术专家已经发现的影响。比如说，图像显示奥地利画家Klimt和Picasso以及Braque的风格类似，确实，专家们也普遍认同Klimt深受后两者的影响。这个算法同样指出了法国浪漫主义画家Delacroix对法国印象派画家Bazille的影响，以及挪威画家Munch对德国画家Beckmann的影响，还有Degas对Caillebotte的影响。
这个算法也能判断个别画作影响了其他东西，它挑选了1912年绘制的Georges Braque的Man with a Violin和Pablo Picasso的 Spanish Still Life: Sun and Shadow，它们的联系众所周知，通过它们，人们发现了立体主义运动。
该算法也将Vincent van Gogh的Old Vineyard with Peasant Woman (1890)(左上) 和Joan Miro的The Farm (1922)联系在了一起，这两幅画作包含相同的物体和布景，但情绪与风格极为不同。
最令人印象深刻的是它将Frederic Bazille的Studio 9 Rue de la Condamine (1870)(左下)和Norman Rockwell的Shuffleton’s Barber Shop (1950)联系在了一起。在浏览众多出版物和网站后，我们得出结论，就目前我们掌握的知识，还没有一个艺术历史学家发现这样的相似性。
然而通过目测我们也能看出其中清晰的联系，下图中的黄圈展示了相似物体，红线展示了构图，蓝色矩形展示了相关联的结构性元素，Saleh和他的团队如是说。
这非常有趣，当然，Saleh和他的团队并没有声称这种算法可以替代艺术历史学家，毕竟，通过这种方式找出画作间的联系仅仅是深入研究画家生平的第一步。
但是，这已经非常激动人心，机器学习技术能够在庞大的主题上提供线索，并深入研究艺术历史。
关于作者：JustinWu
