Thread Counting in Plain Weave for Old Paintings Using Semi-Supervised Regression Deep Learning Models

要約

タイトル：半教師あり回帰ディープラーニングモデルを使用した平織りの糸数の旧絵画分析

要約：
– 本研究では、深層学習に基づく回帰手法を開発し、平織りのキャンバス分析のための糸密度推定を行う。
– 従来の手法はフーリエ解析に基づくものが一般的だったが、いくつかのシナリオでは堅牢性に欠ける。
– 本提案は、手元の絵画の事前ラベリングや糸の交差点のセグメンテーションを必要とせず、画像から織り密度を直接計算することで、この段階を回避することができる。
– 織り密度の推定誤差をさらに減らすために、半教師ありアプローチを導入する。
– リベラ、ベラスケス、プッサンの作品で、従来の手法と比較して、提案手法のパフォーマンスを分析し、最終的に、この手法をプラド美術館の傑作の作者の交代を支援するために使うことができる。

要約(オリジナル)

In this work, the authors develop regression approaches based on deep learning to perform thread density estimation for plain weave canvas analysis. Previous approaches were based on Fourier analysis, which is quite robust for some scenarios but fails in some others, in machine learning tools, that involve pre-labeling of the painting at hand, or the segmentation of thread crossing points, that provides good estimations in all scenarios with no need of pre-labeling. The segmentation approach is time-consuming as the estimation of the densities is performed after locating the crossing points. In this novel proposal, we avoid this step by computing the density of threads directly from the image with a regression deep learning model. We also incorporate some improvements in the initial preprocessing of the input image with an impact on the final error. Several models are proposed and analyzed to retain the best one. Furthermore, we further reduce the density estimation error by introducing a semi-supervised approach. The performance of our novel algorithm is analyzed with works by Ribera, Vel\’azquez, and Poussin where we compare our results to the ones of previous approaches. Finally, the method is put into practice to support the change of authorship or a masterpiece at the Museo del Prado.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI