Abstract
Dit onderzoek oppert een deep learning workflow voor de detectie en segmentatie van overschilderingen op schilderijen door geavanceerde beeldvorming te integreren met feedback van experts. 3D digitale optische microscopie, scheerlicht, Ultraviolet-induced Visible Vluorescence Photography (UIVFP), Macro X-ray Fluorescence (MA-XRF) en 3D oppervlaktedata worden verzameld om het deep learning-model te trainen. Deze multimodale benadering zorgt ervoor dat verschillende karakteristieken van overschilderingen, inclusief subtiele oppervlaktetexturen en gelaagde aspecten, nauwkeurig worden weergegeven. Het deep learning-model gebruikt een Vision Transformer (ViT)-gebaseerde architectuur om overschilderde gebieden te detecteren. Iteratieve verfijningscycli, geleid door kwantitatieve prestatiemetingen en feedback van experts, verzekeren continue verbetering in de nauwkeurigheid van voorspellingen. Door het getrainde model toe te passen op nieuwe casestudy's wordt de generalisatie buiten de trainingsdataset beoordeeld. Workshops voor conservatiedeskundigen zullen de bruikbaarheid van het model evalueren. Buiten de professionele sfeer zullen doelgerichte initiatieven de bevindingen van het project bekendmaken aan een breder publiek en benadrukken hoe AI en digitale beeldvorming bijdragen aan het behoud van cultureel erfgoed. Door geavanceerde beeldvorming, deep learning en kennis van experts te combineren, bevordert dit project schaalbare, datagestuurde benaderingen voor kunstwerkanalyse.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)