Kunnen computers kunstwerken conserveren? Een onderzoek naar State-of-the-Art methoden
Elk kunstwerk is onderhevig aan degradatie die veroorzaakt kan worden door een verscheidenheid aan factoren. De risico's die werken lopen zijn afhankelijk van de technieken en materialen die gebruikt werden door de kunstenaar. Conservatiemaatregelen proberen de degradatie van kunstwerken als gevolg van ouderdom of omgevingsfactoren te beperken door de opslag- en tentoonstellingsomstandigheden te controleren. Periodieke beeldvorming en fysisch-chemisch onderzoek zijn belangrijke conservatietaken. De meeste erfgoedinstellingen verzamelen en bewaren de vergaarde informatie over hun kunstcollecties digitaal. Deze data in combinatie met machine learning kan dienen als een essentiële bron van informatie en als een niet-invasieve methode voor diepgaande analyses van kunstwerken. De meeste conservatoren hebben echter niet voldoende kennis over machine learning om dit zelf te implementeren, wat betekent dat samenwerking met ingenieurs noodzakelijk is. Zij begrijpen op hun beurt niet altijd de uitdagingen binnen conservatieonderzoek. Deze masterthesis is dan ook bedoeld als een startpunt voor zowel conservatoren als ingenieurs die meer willen weten over de toepassingen van machine learning in kunstconservering. De focus ligt op vier grote thema’s binnen de conservatie van schilderijen: de leesbaarheid van technische beelden verbeteren, pigmentanalyse, detectie van schade, en voorspellen van schade.
Wat is machine learning?
Machine learning is een tak van computerwetenschap die zich richt op het genereren van modellen die kunnen leren van data zonder expliciete programmering. Kort gezegd krijgt een gekozen algoritme ongeziene input data om te analyseren. Door een proces van trial-and-error leert het algoritme patronen herkennen in deze data. De input data kan bestaan uit gelabelde data, ongelabelde data of een combinatie van beide. Belangrijk om op te merken is dat deep learning hier wordt beschouwd als een subset van machine learning. Traditionele machine learning algoritmes zijn geschikt voor het onderzoeken van eenvoudige patronen. Wanneer de patronen in de data echter complexer zijn, kan een eenvoudig model niet langer worden gebruikt voor analyse. Deep learning is daartegenover wel in staat om ingewikkelde patronen te ontleden in minder complexe patronen.
De leesbaarheid van technische beelden verbeteren
Technische beelden kunnen gebruikt worden om te visualiseren wat er verborgen zit onder de bovenste verflaag van een schilderij. Het interpreteren van deze beelden kan echter een uitdaging zijn door de diversiteit aan materialen en de stratigrafie van een schilderij. Een technisch beeld kan de indruk geven gelaagd of “vermengd” te zijn omdat informatie van verschillende lagen gevat wordt in één beeld. Machine learning methoden kunnen geïmplementeerd worden om de verschillende lagen te scheiden en de informatie leesbaarder te maken. Onderzoekers maakten gebruik van input data die bestond uit technische beelden afkomstig van historische of moderne data. Er werd ook artificiële data gebruikt, die werd gecreëerd op basis van de eerder verworven historische of moderne data. Zowel gelabelde input data als ongelabelde input data werd gebruikt om deep learning modellen te trainen en zo technische beelden leesbaarder te maken.
Pigmentanalyse
Kennis van de materialen en hun respectievelijke concentraties in een schilderij, zijn waardevol voor de conservatie ervan. Hiervoor zijn veel analytische en beeldanalysetechnieken ontwikkeld, zoals spectrale beeldvorming. Dit levert chemische data op over de pigmenten die in een schilderij aanwezig zijn. Echter, door de intieme materiaalmengsels en gelaagdheid van een schilderij, vereist de interpretatie van chemische data experts en kan het tijdrovend zijn. Machine learning kan hierin helpen door spectrale data automatisch te interpreteren. Spectrale data afkomstig van artificiële data, moderne data of historische data, werd gebruikt als input data. Zowel handmatig gelabelde data als ongelabelde data werd gebruikt om traditionele machine learning modellen en deep learning modellen te trainen. Methoden waarbij ongeziene data wordt toegevoegd aan een getraind model, werden door sommige onderzoekers gebruikt om de prestaties van een algoritme te verbeteren en zo een accuratere pigmentanalyse te verkrijgen.
Detectie van schade
Polychrome oppervlakken in schilderijen zijn gevoelig voor degradatie. Beschadigingen zoals craquelure en lacunes kunnen worden gedetecteerd door een werk visueel te beoordelen in het echt, of via technische beelden. Er zijn echter tal van factoren die menselijke fouten tijdens een visuele beoordeling kunnen veroorzaken. Ook de grote hoeveelheid data die vaak geanalyseerd moet worden, maakt het een arbeidsintensieve taak. Daarom kan schade nauwkeuriger en sneller worden gedetecteerd met behulp van machine learning. De input data bestond uit technische beelden die afkomstig waren van historische of moderne data. Alle onderzoekers, buiten één onderzoeksteam, werkten met handmatig gelabelde data om deep learning modellen te trainen voor het detecteren van diverse soorten schade. Om een nauwkeurigere detectie van schade te verwerven, gebruikten sommige onderzoekers methoden waarbij nieuwe data wordt toegevoegd aan een getraind model om de prestaties van een algoritme te verbeteren.
Voorspellen van schade
Doordat schilderijen zijn opgebouwd uit meerdere lagen die bestaan uit diverse materialen is er een kans op schade in één of meerdere lagen wanneer er een mismatch optreedt tussen de reactie van die lagen op een veranderende klimatologische omgeving. Een goed begrip van het mechanische gedrag van schilderijen onder invloed van klimatologische schommelingen is essentieel voor hun conservering. Talloze onderzoeken zijn gebaseerd op monitoring, experimentele en numerieke projecten om data te verzamelen. Dergelijke projecten zijn echter arbeidsintensief en richten zich vaak maar op één kunstwerk tegelijk. Het vermogen van machine learning om te veralgemenen kan een oplossing bieden voor dit probleem. De input data die de onderzoekers gebruikten, bestond uit artificiële data die was afgeleid van een digitaal 3D-model van een schilderij. De input data werd handmatig gelabeld om een traditioneel machine learning model te trainen en zo te voospellen of er schade zal optreden in het 3D-model.
Conclusie
In toekomstig conservatieonderzoek dat gebruik maakt van machine learning is het essentieel om te werken met een verscheidenheid aan databronnen. Bij voorkeur wordt altijd gewerkt met historische data, die de complexiteit omvat van een echt schilderij. Echter, aangezien het verzamelen van uitgebreide historische datasets voor moeilijkheden kan zorgen, bieden artificiële en moderne data zeker een oplossing. Verder kan het labelen van input data zeer tijdrovend zijn. Methodes die werken met ongelabelde input data kunnen mogelijks een antwoord bieden op deze kwestie. Ten slotte, om een model te creëren met een wijdere toepasbaarheid kunnen methodes die nieuwe ongeziene data toevoegen aan een getraind model verder worden onderzocht.
Bibliografie
‘Fiber Optics Reflectance Spectroscopy | Popart’. Accessed 5 August 2024. https://popart-highlights.mnhn.fr/identification/fiber-optics-reflectance-spectroscopy/index.html.
‘What Is CIELAB Color Space?’ Accessed 5 August 2024. https://www.hunterlab.com/blog/what-is-cielab-color-space/.
Abas, F.S., and K. Martinez. ‘Craquelure Analysis for Content-Based Retrieval.’ In 2002 14th International Conference on Digital Signal Processing Proceedings. DSP 2002 (Cat. No.02TH8628), 111–14. Santorini, Greece: IEEE, 2002. https://doi.org/10.1109/ICDSP.2002.1027828.
Ahmadsabry. ‘A Perfect Guide to Understand Encoder Decoders in Depth with Visuals’. Medium (blog), 24 June 2023. https://medium.com/@ahmadsabry678/a-perfect-guide-to-understand-encoder….
Angheluta, Laurentiu Marian, and Alecsandru Chirosca. ‘Physical Degradation Detection on Artwork Surface Polychromies Using Deep Learning Models.’ Romanian Reports in Physics 72, no. 805 (2020).
Balageas, Daniel L., Jean-Michel Roche, François-Henri Leroy, Wei-Min Liu, and Alexander M. Gorbach. ‘The Thermographic Signal Reconstruction Method: A Powerful Tool for the Enhancement of Transient Thermographic Images’. Biocybernetics and Biomedical Engineering 35, no. 1 (2015): 1–9. https://doi.org/10.1016/j.bbe.2014.07.002.
Burkov, Andriy. The Hundred-Page Machine Learning Book. Polen: Andriy Burkov, 2019.
Califano, America, Pietro Foti, Filippo Berto, Marco Baiesi, and Chiara Bertolin. ‘Predicting Damage Evolution in Panel Paintings with Machine Learning.’ Procedia Structural Integrity 41 (2022): 145–57. https://doi.org/10.1016/j.prostr.2022.05.017.
Chen, Ailin, Rui Jesus, and Marcia Vilarigues. ‘Convolutional Neural Network-Based Pure Paint Pigment Identification Using Hyperspectral Images’. In ACM Multimedia Asia, 1–7. Gold Coast Australia: ACM, 2021. https://doi.org/10.1145/3469877.3495641.
Chen, Ailin, Rui Jesus, and Márcia Vilarigues. ‘Identification and Visualization of Pure and Mixed Paint Pigments in Heritage Artwork Using Machine Learning Algorithms’. SN Computer Science 4, no. 2 (21 December 2022): 115. https://doi.org/10.1007/s42979-022-01529-8.
Chokshi, Akanksha. ‘Supporting Fully Convolutional Networks (and U-Net) for Image Segmentation’. Accessed 5 June 2024. https://www.datature.io/blog/supporting-fully-convolutional-networks-an….
Cornelis, B., T. Ružić, E. Gezels, A. Dooms, A. Pižurica, L. Platiša, J. Cornelis, M. Martens, M. De Mey, and I. Daubechies. ‘Crack Detection and Inpainting for Virtual Restoration of Paintings: The Case of the Ghent Altarpiece.’ Signal Processing 93, no. 3 (2013): 605–19. https://doi.org/10.1016/j.sigpro.2012.07.022.
De Boer, D.K.G. ‘Fundamental Parameters for X-Ray Fluorescence Analysis’. Spectrochimica Acta Part B: Atomic Spectroscopy 44, no. 11 (1989): 1171–90. https://doi.org/10.1016/0584-8547(89)80114-4.
Fukumoto, Kensuke, Norimichi Tsumura, and Roy Berns. ‘Estimating Concentrations of Pigments Using Encoder-Decoder Type of Neural Network.’ Color and Imaging Conference 27, no. 1 (21 October 2019): 149–52. https://doi.org/10.2352/issn.2169-2629.2019.27.28.
GeeksforGeeks. ‘Artificial Neural Networks and Its Applications’, 24 June 2020. https://www.geeksforgeeks.org/artificial-neural-networks-and-its-applic….
GeeksforGeeks. ‘Autoencoders -Machine Learning’, 21 June 2019. https://www.geeksforgeeks.org/auto-encoders/.
GeeksforGeeks. ‘Continual Learning in Machine Learning’, 13 December 2023. https://www.geeksforgeeks.org/continual-learning-in-machine-learning/.
GeeksforGeeks. ‘Decision Tree’, 16 October 2017. https://www.geeksforgeeks.org/decision-tree/.
GeeksforGeeks. ‘Difference Between Feed-Forward Neural Networks and Recurrent Neural Networks’, 3 January 2023. https://www.geeksforgeeks.org/difference-between-feed-forward-neural-networks-and-recurrent-neural-networks/.
GeeksforGeeks. ‘Difference Between Model Parameters VS HyperParameters’, 11 May 2020. https://www.geeksforgeeks.org/difference-between-model-parameters-vs-hy….
GeeksforGeeks. ‘Difference between Multilayer Perceptron and Linear Regression’, 4 March 2022. https://www.geeksforgeeks.org/difference-between-multilayer-perceptron-and-linear-regression/.
GeeksforGeeks. ‘Difference Between RGB, CMYK, HSV, and YIQ Color Models’, 16 November 2021. https://www.geeksforgeeks.org/difference-between-rgb-cmyk-hsv-and-yiq-c….
GeeksforGeeks. ‘Electromagnetic Spectrum | Wavelengths, Diagram and Uses’, 20 December 2021. https://www.geeksforgeeks.org/electromagnetic-spectrum/.
GeeksforGeeks. ‘Ensemble Classifier | Data Mining’, 14 May 2019. https://www.geeksforgeeks.org/ensemble-classifier-data-mining/.
GeeksforGeeks. ‘Generative Adversarial Network (GAN)’, 15 January 2019. https://www.geeksforgeeks.org/generative-adversarial-network-gan/.
GeeksforGeeks. ‘Implement Convolutional Autoencoder in PyTorch with CUDA’, 31 July 2023. https://www.geeksforgeeks.org/implement-convolutional-autoencoder-in-py….
GeeksforGeeks. ‘Introduction to Convolution Neural Network’, 21 August 2017. https://www.geeksforgeeks.org/introduction-convolution-neural-network/.
GeeksforGeeks. ‘Introduction to Deep Learning’, 1 June 2018. https://www.geeksforgeeks.org/introduction-deep-learning/.
GeeksforGeeks. ‘K-Nearest Neighbor(KNN) Algorithm’, 14 April 2017. https://www.geeksforgeeks.org/k-nearest-neighbours/.
GeeksforGeeks. ‘K Means Clustering - Introduction’, 2 May 2017. https://www.geeksforgeeks.org/k-means-clustering-introduction/.
GeeksforGeeks. ‘Linear Regression in Machine Learning’, 13 September 2018. https://www.geeksforgeeks.org/ml-linear-regression/.
GeeksforGeeks. ‘ML | Active Learning’, 23 July 2019. https://www.geeksforgeeks.org/ml-active-learning/.
GeeksforGeeks. ‘ML | Underfitting and Overfitting’, 23 November 2017. https://www.geeksforgeeks.org/underfitting-and-overfitting-in-machine-l….
GeeksforGeeks. ‘ML | XGBoost (EXtreme Gradient Boosting)’, 19 August 2019. https://www.geeksforgeeks.org/ml-xgboost-extreme-gradient-boosting/.
GeeksforGeeks. ‘Noise Removal Using Median Filter in C++’, 17 June 2019. https://www.geeksforgeeks.org/noise-removal-using-median-filter-in-c/.
GeeksforGeeks. ‘Object Detection vs Object Recognition vs Image Segmentation’, 27 February 2020. https://www.geeksforgeeks.org/object-detection-vs-object-recognition-vs-image-segmentation/.
GeeksforGeeks. ‘Python | Data Augmentation’, 5 September 2019. https://www.geeksforgeeks.org/python-data-augmentation/.
GeeksforGeeks. ‘Python | Morphological Operations in Image Processing (Opening) | Set-1’, 27 May 2019. https://www.geeksforgeeks.org/python-morphological-operations-in-image-processing-opening-set-1/.
GeeksforGeeks. ‘Q-Learning in Python’, 6 February 2019. https://www.geeksforgeeks.org/q-learning-in-python/.
GeeksforGeeks. ‘Random Forest Algorithm in Machine Learning’, 22 February 2024. https://www.geeksforgeeks.org/random-forest-algorithm-in-machine-learning/.
GeeksforGeeks. ‘Residual Networks (ResNet) - Deep Learning’, 3 June 2020. https://www.geeksforgeeks.org/residual-networks-resnet-deep-learning/.
GeeksforGeeks. ‘Self Organizing Maps - Kohonen Maps’, 1 July 2020. https://www.geeksforgeeks.org/self-organising-maps-kohonen-maps/.
GeeksforGeeks. ‘Self-Supervised Learning (SSL)’, 27 January 2023. https://www.geeksforgeeks.org/self-supervised-learning-ssl/.
GeeksforGeeks. ‘Spatial Filters - Averaging Filter and Median Filter in Image Processing’, 2 May 2020. https://www.geeksforgeeks.org/spatial-filters-averaging-filter-and-medi….
GeeksforGeeks. ‘Supervised and Unsupervised Learning’, 1 October 2017. https://www.geeksforgeeks.org/supervised-unsupervised-learning/.
GeeksforGeeks. ‘Support Vector Machine (SVM) Algorithm’, 20 January 2021. https://www.geeksforgeeks.org/support-vector-machine-algorithm/.
GeeksforGeeks. ‘Transfer Learning with Fine-Tuning’, 11 July 2023. https://www.geeksforgeeks.org/transfer-learning-with-fine-tuning-in-nlp/.
GeeksforGeeks. ‘U-Net Architecture Explained’, 8 June 2023. https://www.geeksforgeeks.org/u-net-architecture-explained/.
GeeksforGeeks. ‘VGG-16 | CNN Model’, 26 February 2020. https://www.geeksforgeeks.org/vgg-16-cnn-model/.
GeeksforGeeks. ‘What Are Graph Neural Networks?’, 2 July 2023. https://www.geeksforgeeks.org/what-are-graph-neural-networks/.
GeeksforGeeks. ‘What Is a 1D Convolutional Layer in Deep Learning?’, 19 February 2024. https://www.geeksforgeeks.org/what-is-a-1d-convolutional-layer-in-deep-learning/.
GeeksforGeeks. ‘What Is Feature Engineering?’, 20 March 2023. https://www.geeksforgeeks.org/what-is-feature-engineering/.
GeeksforGeeks. ‘What Is Hyperspectral Imaging? Where It Is Used?’, 14 May 2024. https://www.geeksforgeeks.org/what-is-hyperspectral-imaging-where-it-is-used/.
GeeksforGeeks. ‘What Is Infrared (IR)?’, 30 April 2024. https://www.geeksforgeeks.org/what-is-infrared/.
GeeksforGeeks. ‘What Is KeyPoint Detection?’, 11 June 2024. https://www.geeksforgeeks.org/what-is-keypoint-detection/.
GeeksforGeeks. ‘What Is Spectral Imaging in Image Processing?’, 24 April 2024. https://www.geeksforgeeks.org/what-is-spectral-imaging-in-image-processing/.
GeeksforGeeks. ‘What Is the Difference between “Equivariant to Translation” and “Invariant to Translation”’, 19 February 2024. https://www.geeksforgeeks.org/what-is-the-difference-between-equivariant-to-translation-and-invariant-to-translation/.
Giakoumis, I., N. Nikolaidis, and I. Pitas. ‘Digital Image Processing Techniques for the Detection and Removal of Cracks in Digitized Paintings’. IEEE Transactions on Image Processing 15, no. 1 (2006): 178–88. https://doi.org/10.1109/TIP.2005.860311.
Grabowski, Bartosz, Wojciech Masarczyk, Przemysław Głomb, and Agata Mendys. ‘Automatic Pigment Identification from Hyperspectral Data’. Journal of Cultural Heritage 31 (2018): 1–12. https://doi.org/10.1016/j.culher.2018.01.003.
Heide, Felix, Wolfgang Heidrich, and Gordon Wetzstein. ‘Fast and Flexible Convolutional Sparse Coding’. In 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5135–43. Boston, MA, USA: IEEE, 2015. https://doi.org/10.1109/CVPR.2015.7299149.
Jones, Cerys, Nathan S. Daly, Catherine Higgitt, and Miguel R. D. Rodrigues. ‘Neural Network-Based Classification of X-Ray Fluorescence Spectra of Artists’ Pigments: An Approach Leveraging a Synthetic Dataset Created Using the Fundamental Parameters Method’. Heritage Science 10, no. 1 (2022): 88. https://doi.org/10.1186/s40494-022-00716-3.
Karella, Tomáš, Jan Blažek, and Jana Striová. ‘Convolutional Neural Network Exploiting Pixel Surroundings to Reveal Hidden Features in Artwork NIR Reflectograms’. Journal of Cultural Heritage 58 (2022): 186–98. https://doi.org/10.1016/j.culher.2022.09.022.
Kleynhans, Tania, Catherine M. Schmidt Patterson, Kathryn A. Dooley, David W. Messinger, and John K. Delaney. ‘An Alternative Approach to Mapping Pigments in Paintings with Hyperspectral Reflectance Image Cubes Using Artificial Intelligence’. Heritage Science 8, no. 1 (2020): 84. https://doi.org/10.1186/s40494-020-00427-7.
Kogou, Sotiria, Lynn Lee, Golnaz Shahtahmassebi, and Haida Liang. ‘A New Approach to the Interpretation of XRF Spectral Imaging Data Using Neural Networks’. X-Ray Spectrometry 50, no. 4 (7 August 2021): 310–19. https://doi.org/10.1002/xrs.3188.
Liu, Lingxi, Tsveta Miteva, Giovanni Delnevo, Silvia Mirri, Philippe Walter, Laurence De Viguerie, and Emeline Pouyet. ‘Neural Networks for Hyperspectral Imaging of Historical Paintings: A Practical Review’. Sensors 23, no. 5 (22 February 2023): 2419. https://doi.org/10.3390/s23052419.
Liu, Yi, Fumin Wang, Zhili Jiang, Stefano Sfarra, Kaixin Liu, and Yuan Yao. ‘Generative Deep Learning-Based Thermographic Inspection of Artwork’. Sensors 23, no. 14 (13 July 2023): 6362. https://doi.org/10.3390/s23146362.
Mandal, Dipendra J., Marius Pedersen, Sony George, and Clotilde Boust. ‘Comparison of Pigment Classification Algorithms on Non-Flat Surfaces Using Hyperspectral Imaging’. Journal of Imaging Science and Technology 67, no. 5 (1 September 2023): 1–25. https://doi.org/10.2352/J.ImagingSci.Technol.2023.67.5.050405.
Mandal, Dipendra J., Marius Pedersen, Sony George, Hilda Deborah, and Clotilde Boust. ‘An Experiment-Based Comparative Analysis of Pigment Classification Algorithms Using Hyperspectral Imaging’. Journal of Imaging Science and Technology 67, no. 3 (1 May 2023): 030403-1-030403–18. https://doi.org/10.2352/J.ImagingSci.Technol.2023.67.3.030403.
Marinetti, Sergio, Yuri A. Plotnikov, William P. Winfree, and Alberto Braggiotti. ‘Pulse Phase Thermography for Defect Detection and Visualization’. edited by Ajit K. Mal, 230–38. Newport Beach, CA, 1999. https://doi.org/10.1117/12.339890.
MediaWiki. ‘Reflected Infrared Digital Photography (IR)’, 28 February 2022. https://www.conservation-wiki.com/wiki/Reflected_infrared_digital_photo….
Meeus, Laurens, Shaoguang Huang, Bart Devolder, Maximiliaan Martens, and Aleksandra Pizurica. ‘Deep Learning for Paint Loss Detection: A Case Study on the Ghent Altarpiece.’ Image Processing for Art Investigation (IP4AI), 2018, 30–32. http://hdl.handle.net/1854/LU-8577702.
Meeus, Laurens, Shaoguang Huang, Nina Zizakic, Xianghui Xie, Bart Devolder, Hélène Dubois, Maximiliaan Martens, and Aleksandra Pizurica. ‘Assisting Classical Paintings Restoration: Efficient Paint Loss Detection and Descriptor-Based Inpainting Using Shared Pretraining.’ In Optics, Photonics and Digital Technologies for Imaging Applications VI, edited by Peter Schelkens and Tomasz Kozacki, 16. Online Only, France: SPIE, 2020. https://doi.org/10.1117/12.2556000.
Monga, Vishal, Yuelong Li, and Yonina C. Eldar. ‘Algorithm Unrolling: Interpretable, Efficient Deep Learning for Signal and Image Processing’. IEEE Signal Processing Magazine 38, no. 2 (2021): 18–44. https://doi.org/10.1109/MSP.2020.3016905.
Moradi, Morteza, Ramin Ghorbani, Stefano Sfarra, David M.J. Tax, and Dimitrios Zarouchas. ‘A Spatiotemporal Deep Neural Network Useful for Defect Identification and Reconstruction of Artworks Using Infrared Thermography’. Sensors 22, no. 23 (1 December 2022): 9361. https://doi.org/10.3390/s22239361.
Nadisic, Nicolas, Yoann Arhant, Niels Vyncke, Sebastiaan Verplancke, Srdan Lazendic, and Aleksandra Pizurica. ‘A Deep Active Learning Framework for Crack Detection in Digital Images of Paintings’. In 7th International Conference on Smart Monitoring, Assessment and Rehabilitation of Civil Structures, SMAR 2024, 1–8. Elsevier, 2024. http://hdl.handle.net/1854/LU-01J18DKNDKGSNKMK5HVB9PYS7C.
Oktar, Yigit, and Mehmet Turkan. ‘A Review of Sparsity-Based Clustering Methods’. Signal Processing 148 (2018): 20–30. https://doi.org/10.1016/j.sigpro.2018.02.010.
OnScale. ‘Strain Energy Density: What, Why and How?’, 3 January 2022. http://https%253A%252F%252Fonscale.com%252Fstrain-energy-density-what-w….
Pizurica, Aleksandra, Ljiljana Platisa, Tijana Ruzic, Bruno Cornelis, Ann Dooms, Maximiliaan Martens, Helene Dubois, Bart Devolder, Marc De Mey, and Ingrid Daubechies. ‘Digital Image Processing of The Ghent Altarpiece: Supporting the Painting’s Study and Conservation Treatment.’ IEEE Signal Processing Magazine 32, no. 4 (2015): 112–22. https://doi.org/10.1109/MSP.2015.2411753.
Polak, Adam, Timothy Kelman, Paul Murray, Stephen Marshall, David J.M. Stothard, Nicholas Eastaugh, and Francis Eastaugh. ‘Hyperspectral Imaging Combined with Data Classification Techniques as an Aid for Artwork Authentication’. Journal of Cultural Heritage 26 (2017): 1–11. https://doi.org/10.1016/j.culher.2017.01.013.
Pouyet, Emeline, Tsveta Miteva, Neda Rohani, and Laurence De Viguerie. ‘Artificial Intelligence for Pigment Classification Task in the Short-Wave Infrared Range’. Sensors 21, no. 18 (13 September 2021): 6150. https://doi.org/10.3390/s21186150.
Pu, Wei, Jun-Jie Huang, Barak Sober, Nathan Daly, Catherine Higgitt, Ingrid Daubechies, Pier Luigi Dragotti, and Miguel R. D. Rodrigues. ‘Mixed X-Ray Image Separation for Artworks With Concealed Designs’. IEEE Transactions on Image Processing 31 (2022): 4458–73. https://doi.org/10.1109/TIP.2022.3185488.
Rohani, Neda, Emeline Pouyet, Marc Walton, Oliver Cossairt, and Aggelos K. Katsaggelos. ‘Pigment Unmixing of Hyperspectral Images of Paintings Using Deep Neural Networks’. In ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 3217–21. Brighton, United Kingdom: IEEE, 2019. https://doi.org/10.1109/ICASSP.2019.8682838.
Sabetsarvestani, Z., B. Sober, C. Higgitt, I. Daubechies, and M. R. D. Rodrigues. ‘Artificial Intelligence for Art Investigation: Meeting the Challenge of Separating x-Ray Images of the Ghent Altarpiece’. Science Advances 5, no. 8 (2 August 2019): eaaw7416. https://doi.org/10.1126/sciadv.aaw7416.
Shitomi, Ryuta, Mayuka Tsuji, Yuki Fujimura, Takuya Funatomi, Yasuhiro Mukaigawa, Tetsuro Morimoto, Takeshi Oishi, Jun Takamatsu, and Katsushi Ikeuchi. ‘Unsupervised Learning with a Physics-Based Autoencoder for Estimating the Thickness and Mixing Ratio of Pigments’. Journal of the Optical Society of America A 40, no. 1 (1 January 2023): 116. https://doi.org/10.1364/JOSAA.472775.
Shroff, Megha. ‘Know Your Neural Network Architecture More by Understanding These Terms’. Medium (blog), 16 May 2023. https://medium.com/@shroffmegha6695/know-your-neural-network-architectu….
Sidorov, Oleksii, and Jon Yngve Hardeberg. ‘Craquelure as a Graph: Application of Image Processing and Graph Neural Networks to the Description of Fracture Patterns,’ 2019. https://doi.org/10.48550/ARXIV.1905.05010.
Sindel, Aline, Andreas Maier, and Vincent Christlein. ‘A Multi-Modal Registration and Visualization Software Tool for Artworks Using CraquelureNet,’ 2022. https://doi.org/10.48550/ARXIV.2208.08836.
Sizyakin, Roman, Bruno Cornelis, Laurens Meeus, Helene Dubois, Maximiliaan Martens, Viacheslav Voronin, and Aleksandra Pizurica. ‘Crack Detection in Paintings Using Convolutional Neural Networks’. IEEE Access 8 (2020): 74535–52. https://doi.org/10.1109/ACCESS.2020.2988856.
Sizyakin, Roman, Bruno Cornelis, Laurens Meeus, Maximiliaan Martens, Viacheslav Voronin, and Aleksandra Pizurica. ‘A Deep Learning Approach to Crack Detection in Panel Paintings.’ Image Processing for Art Investigation (IP4AI), 2018, 40–42. http://hdl.handle.net/1854/LU-8577805.
Sizyakin, Roman, Bruno Cornelis, Laurens Meeus, Viacheslav Voronin, and Aleksandra Pizurica. ‘A Two-Stream Neural Network Architecture for the Detection and Analysis of Cracks in Panel Paintings.’ In Optics, Photonics and Digital Technologies for Imaging Applications VI, edited by Peter Schelkens and Tomasz Kozacki, 10. Online Only, France: SPIE, 2020. https://doi.org/10.1117/12.2555857.
Sober, Barak, Spike Bucklow, Nathan Daly, Ingrid Daubechies, Pier Luigi Dragotti, Catherine Higgitt, Jun-Jie Huang, et al. ‘Revealing and Reconstructing Hidden or Lost Features in Art Investigation’. IEEE BITS the Information Theory Magazine, 2022, 1–16. https://doi.org/10.1109/MBITS.2022.3207125.
Theobald, Oliver. Machine Learning for Absolute Beginners: A Plain English Introduction. Second edition. [United States]: The author, 2017.
Valero, Eva M., Miguel A. Martínez-Domingo, Ana B. López-Baldomero, Ana López-Montes, David Abad-Muñoz, and José L. Vílchez-Quero. ‘Unmixing and Pigment Identification Using Visible and Short-Wavelength Infrared: Reflectance vs Logarithm Reflectance Hyperspaces’. Journal of Cultural Heritage 64 (2023): 290–300. https://doi.org/10.1016/j.culher.2023.10.016.
Verplancke, Sebastiaan. ‘DAL-ART: Deep Active Learning Tool for Multimodal Image Analysis Applied to Crack Detection in Paintings.’ Master thesis, University of Ghent, 2023.
Xu, Bingjie Jenny, Yunan Wu, Pengxiao Hao, Marc Vermeulen, Alicia McGeachy, Kate Smith, Katherine Eremin, et al. ‘Can Deep Learning Assist Automatic Identification of Layered Pigments from XRF Data?’ Journal of Analytical Atomic Spectrometry 37, no. 12 (2022): 2672–82. https://doi.org/10.1039/D2JA00246A.
