艺术品解读是一门复杂而又富有挑战性的领域，传统的解读依赖于艺术家的说明或专业学者的研究。随着人工智能技术的快速发展，它在艺术品解读方面展现出了崭新的应用前景，为观众和艺术界带来了全新的体验与认知视角。人工智能可以帮助理解艺术品的内容、风格和情感表达。在建立大量的数据库之后，人工智能可以通过图像分析和深度学习技术，识别艺术品中的视觉特征和风格。它可以帮助分析艺术家使用的色彩、构图、笔触等元素，从而更好地理解艺术品的创作风格和表现手法。
作为全球最大的艺术博物馆之一，大都会艺术博物馆拥有近 200
万件珍贵艺术品，涵盖了 5000 年的全球艺术传承。为了更好地探索和挖掘这庞大而丰富的艺术遗产，大都会艺术博物馆一直在积极研究和应用人工智能技术加强、完善艺术品的解读和分类。因为艺术品本身非结构化的属性使其难以实现自动化地编目和标记，所以大都会艺术博物馆首次尝试对在线藏品进行主题关键字的标记是通过人工完成的。大都会艺术博物馆藏品信息总经理 Jennie Choi 表示：“整个团队仔细检查艺术作品的数码图像，然后给他们看到的东西贴上标签。这是一项相当耗费人力的工作，团队的成员对每一件艺术品都要细心检查。”可见这是项工作量极大的任务。然而随着科技的不断进步，博物馆也开始探索将人工智能技术应用于艺术品解读和分类领域。AI 技术可以对艺术品的图像进行分析和识别，辅助博物馆工作人员快速而准确地进行分类和归档，从而更好地管理和展示馆藏。大都会艺术博物馆与微软合作进行名为“艺术探索者（Art Explorer）”项目，利用人工智能技术大规模获取藏品的新信息。通过AI 技术对艺术品收藏进行自动分类和标记，提高了艺术品管理的效率和准确性。该项目利用 Azure 搜索和认知搜索的管道，识别艺术品描述、相似艺术品和相关信息，形成丰富的元数据库，并通过 Azure 的 Web应用实现最终应用。通过这一处理方式，用户可以通过“开放访问集合（Open Access collection）”在线浏览藏品，并从多个维度深入研究艺术品。用户可以根据特定的画种、线条绘图、描绘对象、艺术家等多种条件进行检索，实现更加个性化和多样化的艺术品发现。这些触手可及的艺术知识以及动态导航功能，让用户能够以新的方式探索和发现触动他们心灵的艺术品。
图 3-6
这幅画作是 3D 打印的，是分析伦勃朗作品数据的结果，这是由荷兰 ING 银行发起的 The Next Rembrandt 项目，利用人工智能技术分析了雷姆布兰特（Rembrandt）的大量作品，并创建出一幅新的雷姆布兰特风格的绘画。用于分析伦勃朗画作的算法在 Microsoft Azure上运行，肖像是通过高度详细和复杂的过程创建的，历时 18 个月以上，并使用了 150 GB 的数字渲染图形。首先使用高分辨率 3D 扫描和数字文件对伦勃朗的所有 346 幅画作进行分析，然后使用机器学习
对其进行升级。可以生成典型特征，并使用检测绘画中 60 多个点的算法来确定对象面部上这些点之间的距离。这个项目旨在探索人工智能对于艺术家风格的理解和模仿。
图 3-7
Elizabeth Honig 是加州大学伯克利分校的艺术史学家，她专注于利用人工智能分析文艺复兴时期艺术家的作品图像以及它们对其他艺术家创作的影响。Honig 使用了一个包含 1500 余幅勃鲁盖尔家族画作数字复制品的数据库。人工智能在这项研究中的优势在于能够从大量图像中识别出常常被人们忽视的细节。例如，对于画作中出现的风车，数据库中包含了数百张含有风车的画作，人工智能算法可以提取相似的结构和位置，进而分析作品之间的相似性和不同的绘画方式。这项研究成果于 2019 年发表在《通过空间一致的特征学习发现艺术收藏中的视觉模式》一文中详细介绍了其方法与结果。129该项目在 Jan Brueghel 及其工作室的 1587 件艺术品的数据集中注释了 273 个接近重复的细节。
图 3-8
在新泽西州立罗格斯大学艺术与人工智能实验室，艺术史学家 Marian Mazzone 与实验室负责人Ahmed Elgammal 合作，利用建立的数据库和模型对文艺复兴时期至流行艺术五个世纪以来的 77,000 件艺术品进行了数字分析。这项研究发现网络可以将艺术作品放置在一
129 https://arxiv.org/abs/1903.02678
个平滑的时间线中，主要基于学习艺术风格标签而无需依赖任何关于创作时间、历史背景或风格之间关系的先验知识。130该研究的成果为艺术史学家提供了一种新的探索艺术作品演变和发展的方式。通过人
工智能的分析，他们可以更加准确地判断艺术家的创作时代，探索不同风格在不同时期的变化和传承，从而更全面地理解艺术历史的发展脉络。
ArtGAN 是基于艺术图片的简单生成对抗网络，使用深度学习和 PyTorch 实现。生成对抗网络（GANs）是一种生成模型的方法，利用深度学习技术，如卷积神经网络。在gans_training131文件中，我们可以看到生成网络的改进过程。生成建模是机器学习中的一项无监督学习任务，它涉及自动发现和学习输入数据中的规律或模式，以便模型可以用于生成或输出新的案例。当然，这些新案例仍旧来自原始数据集。
在该项目中GANs 是一种巧妙的训练生成模型的方法，将问题构建为带有两个子模型的监督学习问题。第一个是生成器模型，通过训练可以生成新的例子；第二个是判别器模型，通过训练可以将例子分类为真实（来自数据集）或伪造（生成的）。这两个模型一起进行训练，形成一个零和博弈的对抗训练过程，直到判别器模型大约一半的时间被愚弄，意味着生成器模型生成了逼真的例子。GANs 是一个令人兴奋且快速变化的领域，在生成模型方面取得了显著成就，能够在多个问题领域生成逼真的例子，尤其在图像转换任务方面，如将夏天的照片转换为冬天或白天转换为夜晚，并且能够生成以假乱真的物体、场景和人物照片，即使人类也难以分辨其真伪。
Achlioptas 和他的团队收集了一个名为 ArtEmis 132的新数据集，
130 https://arxiv.org/abs/1801.07729
131 https://github.com/soham2707/ARTGAN
132 https://hai.stanford.edu/news/artists-intent-ai-recognizes-emotions-visual-art
该数据集基于 81,000 幅 WikiArt 绘画，由超过 6,500 人的 440,000份书面回复组成，表明绘画给他们带来的感受，并包括对他们为什么选择某种情感的解释。利用这些反应，Achlioptas 和由斯坦福大学工程学教授 Leonidas Guibas 领导的团队训练了神经扬声器——以书面文字的方式做出反馈的人工智能，使计算机能够对视觉艺术产生情感反应并用语言证明这些情感的合理性。人工智能通过深度学习算法，可以快速准确地识别艺术品所属的风格。举例来说，一家名为 “ArtStyle”133的应用，能够通过用户上传的艺术品图像，自动识别其所属的具体风格，如抽象主义、立体派等。更为有趣的是，该应用还能进行风格对比，将两幅不同风格的艺术品融合成一幅全新的作品，让观众领略艺术家们跨越时空的创意对话。
艺术品常常承载着丰富的历史与文化背景，这使得作品在更大程度上超越了单纯的图像表现。人工智能通过大数据挖掘和知识图谱构建，可以将艺术品与历史事件、文化背景等进行关联。通过人工智能的算法，将观众带入作品创作时代的历史氛围，让观众更深入地了解作品背后的文化内涵。
可以推断出，人工智能在艺术品解读领域的应用，为观众带来了更加多样化和丰富的艺术体验。从风格识别到情感分析，从历史解读到细节观赏，这些案例展示了人工智能的巨大潜力和创新应用。随着人工智能技术的不断演进，它将继续推动艺术品解读领域的创新与发展，为我们带来更加美妙、深邃的艺术之旅。