Ուր են նայում կանայք, ինչպես նկարից հեռացնել ավելորդ Ապոլլոնին և ինչպես ճանաչել Վան Գոգին մեկ վրձնախազից. մեքենայական վերլուծման կիրառումը արվեստի պատմության մեջ
Ինչպե՞ս է կազմակերպված մշակութային և գենդերային տեսողությունը
Վիեննայի համալսարանի պրոֆեսոր Ռաֆայել Ռոզենբերգի ծրագիրը զբաղվում է դասական արվեստագիտության կենտրոնական խնդիրներից մեկի՝ տեսողության և պատկերի ընկալման խնդրի լուծմամբ՝ օգտագործելով մեքենայական հնարավորությունները: Հանդիսատեսի և գեղարվեստական օբյեկտի միջև դրված հատուկ սարքն օգնում է հետևել և գրանցել ընկալող սուբյեկտի հայացքի հետագիծը: Տեսողական նարատիվի ի՞նչ մանրամասներ են առաջին հերթին հետաքրքրում դիտորդին: Ի՞նչ է փորձում գտնել պատահական դիտորդի հայացքը նկարի վրա: Որո՞նք են հայացքի հետագծի գենդերային և մշակութային տարբերությունները: Այս ամենը մեքենան գրանցում է, և ահա՝ ընկալման օբյեկտիվ հետք. եթե աշխարհի ստեղծման կտավի վրա ավստրիացուն առավել հետաքրքրական են Ադամի և Եվայի մարմինները, ապա ճապոնացուն առաջին հերթին՝ կենդանիներն ու թռչունները, և հետո միայն ստեղծագործության կենտրոնապատկերը: Կամ, օրինակ, կանայք ավելի շատ ուշադրություն են դարձնում Եվայի սեռական հատկանիշների վրա, մինչդեռ տղամարդկանց հայացքը թափառում է՝ կարծես արտահայտելով ֆրոյդական վախը կանացի մարմնի նկատմամբ:
Մեթոդի թույլ կողմերը, գրեթե, ծածկում են նրա, կարծես թե, օբյեկտիվ և եզակի արդյունքները: Մի քանի ճապոնացիների և մի քանի ավստրիացիների հայացքների հետագծերը գրեթե վիճակագրորեն ներկայացուցչական են արևմտյան և արևելյան ընկալիչների միջև տարբերության պատկերը ստանալու համար: Նույնը վերաբերում է գենդերային տարբերություններին: Եվ գլխավոր հարցը՝ արդյո՞ք իրոք մեքենա է անհրաժեշտ ապացուցելու համար, որ դիտորդը կերպարներով լի նկարի վրա անմիջապես չի գտնում Սավուղին՝ աստվածային զմայլվածությամբ ընկած: Չէ՞ որ, հենց, տեսողությունը դժվարացնելու համար է Բրեյգելը բազմամարդություն պատկերել։
Ազդեցությունների խնդիրը
Հետազոտող Բաբակ Սալեյը և նրա թիմը (Ռատգերի համալսարան, ԱՄՆ) փորձել են համակարգչային մեթոդներով լուծել մեկ գեղարվեստական տեքստի՝ մյուսի վրա ազդեցության չափի արձանագրման խնդիրը: 66 նկարիչների 1710 գեղանկար, սկսած Վերածննդի դարաշրջանից, դասակարգվել են իմաստային կլաստերների (պատկերի մասերի, որոնք իմաստային բեռ են կրում և բարդության տարբեր աստիճանների օբյեկտներ են ներառում՝ ավազից և ջրից սկսած մինչև բարդ վիճակների և շարժումների նկարագրություն) և դրանց պատկերի մակերեսի վրա բաշխման միջոցով: Մեքենայական ուսուցման ստանդարտ ալգորիթմների օգնությամբ գիտնականները վերլուծել են այն ազդեցությունների վիճակագրական բաշխումները, որոնց ենթարկվել է ցուցակի յուրաքանչյուր նկարիչ. Միքելանջելոյի վրա ամենից շատ ազդել են Ռաֆայելը, Դյուրերը, Տիցիանը, Մանտենյան և Լեոնարդոն, մինչդեռ Մունկի վրա՝ Սեզանը, Պիկասոն, Դյուրերը, Բրաքը և Մանտենյան:
Ավաղ, սա դասական արվեստագիտության համար խնդրի ոչ ակտուալ ներկայացման տիպիկ դեպք է։ «Ազդեցությունների» հարցը վաղուց կորցրել է արդիականությունը արվեստագիտական հետազոտությունների համար։ Մասնավորապես, դա հերքել է Մայքլ Բաքսենդոլը իր «Ձգտման նախշերը» գրքում։ Գիտնականը ցույց տվեց, որ անհնար է ապացուցել, թե որ ուղղությամբ է աշխատում «ազդեցությունը», ով է ակտիվ սուբյեկտը, իսկ ով՝ պասիվ։ Բացի այդ, համակարգչային գիտության կողմից ստացված արդյունքներն արվեստի պատմության տեսանկյունից ընդհանուր առմամբ բանալ են. Միքելանջելոյի, Ռաֆայելի և Դյուրերի փոխհարաբերությունների մասին վաղուց է հայտնի, և ազդեցության «աստիճանի» մաթեմատիկական հաշվարկը հազիվ թե հաջողվի պրոյեկտել հումանիտար հետազոտության վրա։
Վան Գոգի վրձնախազը
Հակառակը՝ հաջող, տեխնիկական, կեղծ հումանիտար խնդիրներ չլուծող հետազոտություն ներկայացրեց տարբեր համալսարանների գիտնականների աշխատանքային մի խումբ 2007 թվականի մայիսին՝ Վան Գոգի թանգարանում։ Հետազոտողները մշակել են Վան Գոգի նկարների 101 էլեկտրոնային կրկնօրինակ՝ բարձր պատկերաչափով՝ նկարչի վրձնախազը սեգմենտավորելու և նրա առանձնահատկությունները նկարագրելու նպատակով։ Վան Գոգի վրձնախազերը տեսանելի են նաև անզեն աչքով, ինչը նախապես երաշխավորում էր հետազոտության որոշակի հաջողությունը։
Ընդհանուր նկարների թվից 23-ը, անվիճելիորեն վերագրած նկարչին, վերլուծական ալգորիթմի համար որպես ուսումնական բազա են օգտագործվել: Հետազոտողները նկարների տարբեր հատվածներում առանձնացրել են վրձնախազերի հյուսվածքային և երկրաչափական առանձնահատկությունները, որոնք հետագայում համադրվել են մնացյալ 78 նկարների հետ: Արդյունքները բավականին համեստ էին. հաջողվեց պարզել, որ կորպուսից 4 նկար կեղծ էին, ընդ որում 2 այլ հայտնի կեղծիքներ՝ նույն կորպուսից, ճիշտ նույնականացնել չհաջողվեց: Այնուամենայնիվ, վրձնախազի համակարգչային վերլուծությունը բավականին հեռանկարային ուղղություն է. այն լուծում է աչքի իրավասությունից դուրս գտնվող տեխնիկական մի խնդիր, այլ ոչ թե փորձում է փոխարինել հումանիտարներին այն հարցերում, որտեղ արվեստագիտական մեթոդներն առանց այդ էլ հաջողում են
Բնօրինակի թվային վերականգնում և վերակառուցում
Համակարգչային գիտության տեխնիկական հնարավորությունների ևս մեկ հաջող կիրառում է՝ ի օգուտ արվեստագիտության, հին վնասված կտավների թվային վերականգնումը և վնասված կամ փոփոխված բնօրինակների վերակառուցումը: Թվային վերականգնումը թույլ է տալիս ստեղծել պատճեն առանց կրակելյուրի, քերծվածքների և պիգմենտի կորած կտորների, վերադարձնել կտավին դրա սկզբնական գույները, վերականգնել պատկերի ուրվագծերը պատերազմի ժամանակ կորած որմնանկարներում (մեթոդը կիրառվել է Մանտենյայի որմնանկարների նկատմամբ Էրեմիտանի եկեղեցում, Պադույա)։ Նույն մեթոդը թույլ է տալիս տեսողության համար «հեռացնել» նկարի վրա ավելի ուշ կատարած լրացուցիչ ուղղումները, որոնք հաճախ անճանաչելիորեն փոխում են այն և ամբողջովին խեղաթյուրում սկզբնական սյուժեն, ինչպես, օրինակ, Տիցիանի «Մարսիայի պատիժը» նկարում, որը ուշ վերականգնողները լրացրել են Ապոլլոն աստծո կրկնապատկերով՝ չճանաչելով նրա կիսամերկ կերպարը, որ քերթում էր կախված Մարսիայի մաշկը:
Վերականգնման և վերակառուցման մեթոդները բացառիկ արժեք ունեն արվեստագետների համար, որոնց հնարավորություն է ընձեռվում ուսումնասիրել պատկերներն իրենց օրիգինալ տեսքով։ Դասական վերականգնումը միշտ չէ, որ կարողանում է հեռացնել նկարի վրա վերջին լրացուցիչ ուղղումները, դա հաճախ սպառնում է կտավի վրա գունավոր շերտի ոչնչացմամբ և, այնուամենայնիվ, թույլ չի տալիս վերականգնել բնօրինակը:
Թվային արխիվների մշակում
Վերջապես, մեր ցուցակում վերջին համակարգչային մշակումը թույլ է տալիս զգալիորեն բարելավել պատկերների էլեկտրոնային արխիվների որակը: Էլեկտրոնային արխիվներն անփոխարինելի են արվեստաբանի աշխատանքում. շրջանցել աշխարհի բոլոր թանգարանները միշտ չէ, որ հնարավոր է, և՛ մեկնաբանման, և՛ ցուցադրման ժամանակ, ամեն դեպքում, պետք է օգտվել պատճեններից:
Հետազոտող Ջոն Ռեզիգը կիրառել է նմանօրինակ պատկերների ավտոմատ ճանաչման ալգորիթմը, որը մշակվել է TinEye ընկերության կողմից՝ Նյու Յորքում՝ Ֆրիկի հավաքածուի թվային արխիվի հետազոտման համար: Ալգորիթմը թվային հավաքածուում գտնում էր տարբեր լուսավորության պայմաններում արված պատկերների նույն լուսանկարները, պատկերների այն հատվածները, որոնց պատկանելությունը չի բացահայտվել, և նույն նկարի այլ տարբերակները: Ռեզիգի մեթոդով հայտնաբերված նմանությունների 65%-ը մինչ օրս էլ չի ճանաչվել ոչ ավտոմատացված ջանքերով:
Հետազոտությունը թույլ տվեց կարգավորել թվային արխիվը, ուղղել աշխատանքների ոչ ճշգրիտ անվանումները, բեկորները միացնել ամբողջական տարբերակին, կողքին դնել նույն պատկերը՝ վերականգնումից առաջ և հետո: Մեթոդը կիրառվում է միայն հարթ պատկերների համար և ծավալային պատկեր ճանաչել չի կարողանում: Թվարկվածներից Ռեզիգի կողմից արված աշխատանքը ամենապահանջվածն է դիսցիպլինի համար: Արվեստագիտությունն արդեն ուղղակիորեն կախված է թվային որոնման արդյունքներից, և կարգավորված արխիվներն այստեղ հաջողության հուսալի գրավականն են։
Հ.Գ. Դասական արվեստագիտության մեթոդների վերաբերմունքը պատկերների մեքենայական վերլուծության նկատմամբ մոտավորապես նկարագրվում է Մորավեկի պարադոքսով. ամենահեշտն է մեքենային սովորեցնել այն խնդիրները, որոնք մարդկային ուղեղին գերհզոր են թվում, սակայն դրանից հասնել աշխարհի ընկալմանը, նույնիսկ, չորս տարեկան երեխայի աչքերով, դեռևս հեռավոր ապագայի գործ է: Computer vision-ի ձեռքբերումները հումանիտար տեսանկյունից դեռևս քիչ համոզիչ են: Մեքենայական վերլուծության մերժումը լավագույն դեպքում հիմնավորվում է մեթոդաբանական խզմամբ և ճանաչողական աշխատանքի արդյունավետության ժխտմամբ, իսկ վատագույն դեպքում՝ մասնագիտությունը կորցնելու վախով՝ համապարփակ թվայնացման ճնշման տակ։ Երկու դեպքերն էլ մերկացնում են երկու առարկաների համագործակցության հիմնական հորիզոնները. մի կողմից, մեքենայական վերլուծությունը կարող է հասնել արդյունքների այնտեղ, որտեղ հումանիտար մեթոդները խափանումներ են տալիս կամ ընդհանրապես կիրառելի չեն, և հակառակը, որտեղ մեքենաները դեռևս ցածր համոզիչ արդյունքներ են տալիս, իսկ հումանիտար ուղիները ամենաբարձր մակարդակին են: Մյուս կողմից, արվեստագետի մոտ համակարգչով փոխարինված լինելու վախն ուղղակիորեն բխում է մեքենայական հնարավորությունների, նույնիսկ, բազային մակարդակում չտիրապետելուց, ինչը ճիշտ է նաև հակառակ ուղղությամբ. համակարգչային գիտության շատ մասնագետներ արվեստի պատմության համար ոչ համոզիչ արդյունքներ են ստանում՝ հումանիտար և հետազոտության խնդիրը պարզունակ, ուղղակիորեն ոչ ճիշտ ներկայացնելու մեթոդներին չտիրապետելու հետևանքով:
Anitha A., Brasoveanu A., Duarte M., Hughes S., Daubechies I., Dik J., Janssens K., Alfeld M. Restoration of X-ray fluorescence images of hidden paintings. Signal Processing. Vol. 93. No. 3. 2013. Johnson С. R. (Jr.), Hendriks E., Berezhnoy I. J., Brevdo E., Hughes S. M., Daubechies I., Li J., Postma E., Wang J. Z. Image Processing for Artist Identification. The Princeton University Mathematics Department. Klein C., Betz J., Hirschbuehl M., Fuchs C., Schmiedtova B., Engelbrecht M., Mueller-Paul J., Rosenberg R. Describing Art — An Interdisciplinary Approach to the Effects of Speaking on Gaze Movements during the Beholding of Paintings. PLOS One. Resig J. Using Computer Vision to Increase the Research Potential of Photo Archives. Ejohn.org. Saleh B., Abe K., Arora R. S., Elgammal A. Toward Automated Discovery of Artistic Influence. ArXiv.org.Գրականություն
Թարգմանիչ՝ Մեսրոպ Հովսեփյան (Mesrop Hovsepyan) © Բոլոր իրավունքները պաշտպանված են։