[[419606]]

去年，美國(guó)一對(duì)夫婦（Steven 和 Andrea Frank）開發(fā)了一個(gè)AI程序，用來幫助專家鑒定藝術(shù)品。

之前，他們用這個(gè)AI程序辨別了倫勃朗和梵高的畫作。

最近，兩人又將目光轉(zhuǎn)向了達(dá)·芬奇的畫作《救世主》（Salvator Mundi）。

這幅畫是拍賣市場(chǎng)迄今為止成交的最貴的藝術(shù)品，2017年以4.5 億美元（約合29億人民幣）在紐約佳士得夜拍上成交。

然而，這究竟是不是達(dá)·芬奇所畫，至今都還有人懷疑。

利用CNN檢測(cè)藝術(shù)偽造：從解決問題出發(fā)

夫妻二人開發(fā)AI程序的過程可謂是條理清晰，發(fā)現(xiàn)問題，解決問題。

首先，他們分析了使用神經(jīng)網(wǎng)絡(luò)分析繪畫的困難。

一是尺寸，一幅畫的高分辨率圖像對(duì)于傳統(tǒng)的 CNN 來說太大了，而適合 CNN 的圖像又可能缺乏需要辨別的信息。

二是數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)需要數(shù)千個(gè)訓(xùn)練樣本，「數(shù)量就是質(zhì)量?！箍墒?，即便是最多產(chǎn)的藝術(shù)家，一輩子也畫不出這么多畫。

意識(shí)到困難后，兩人感慨，「難怪在解決繪畫歸屬的爭(zhēng)議上，計(jì)算機(jī)貢獻(xiàn)甚微。」

放棄是不可能的！Steven很快發(fā)現(xiàn)，可像病理學(xué)家處理數(shù)字化活檢載玻片那樣，將圖像分解成更小的片段。

這樣，尺寸和數(shù)據(jù)這兩個(gè)困難都解決啦。因?yàn)閱蝹€(gè)圖像可以生成大量訓(xùn)練圖塊，尤其是當(dāng)這些圖塊可以重疊時(shí)。

另外，他們的系統(tǒng)通過訓(xùn)練和測(cè)試后，可以確定圖塊的最佳尺寸。

倫勃朗《年輕的紳士肖像》的 400×400 像素圖塊

接下來，確定哪些圖塊可以使用。

這也是個(gè)難題，比如，《救世主》有的區(qū)域圖片信息十分豐富，而有的區(qū)域則只是背景，平平無奇，不好分辨。

訓(xùn)練CNN時(shí)，信息少的區(qū)域可能起不了什么作用，甚至還會(huì)誤導(dǎo)CNN。

所以，計(jì)算機(jī)需要某種標(biāo)準(zhǔn)來幫助自動(dòng)且一致地識(shí)別可行的圖塊。

一番思考后，Steven從信息論得到了啟發(fā)，他發(fā)現(xiàn)，挑選背景和視覺單調(diào)區(qū)域時(shí)可以排除低熵的圖塊。

信息論創(chuàng)始人克勞德·香農(nóng)（Claude Shannon）

結(jié)果是，計(jì)算機(jī)選出來的圖塊很可能和人們自己挑選的圖塊吻合。

在《救世主》中，選出來的圖塊包括耶穌的臉、側(cè)卷發(fā)和祝福之手，這和學(xué)者們爭(zhēng)論著作權(quán)時(shí)的關(guān)注點(diǎn)是一致的。

這個(gè)問題解決后，就該數(shù)據(jù)集了。

他們決定先從荷蘭大師倫勃朗（Rembrandt） 的肖像畫開始實(shí)驗(yàn)。

這個(gè)數(shù)據(jù)集應(yīng)當(dāng)包倫勃朗本人和其他人的畫作。

但是，問題又來了。

如果用50 幅倫勃朗畫的肖像，和 50 幅隨機(jī)選擇的其他藝術(shù)家的肖像畫作，訓(xùn)練出的系統(tǒng)可以區(qū)分倫勃朗和畢加索（兩人風(fēng)格大相徑庭），但是難以分辨出他的學(xué)生和模仿者，更不用說偽造者了。

可是，如果在訓(xùn)練集中，所有不是倫勃朗畫的作品都和他本人畫的太過相似，CNN 就會(huì)過擬合。

這時(shí)候Andrea上場(chǎng)了，她編了一個(gè)非倫勃朗畫作的數(shù)據(jù)集。

其中，一些作品非常接近倫勃朗本人畫的，另一些則是令人能聯(lián)想到倫勃朗但很容易與他本人的作品區(qū)分開來的。

他們還發(fā)現(xiàn)，簡(jiǎn)單的 CNN 設(shè)計(jì)比更復(fù)雜（也是更常見）的設(shè)計(jì)效果更好。

因此，他們使用的CNN只有五層。在區(qū)分倫勃朗畫作的實(shí)驗(yàn)中，準(zhǔn)確率超過 90%。

區(qū)分文森特·梵高（Vincent van Gogh）的風(fēng)景畫時(shí)，精度也非常高。

做完這一系列工作，兩人才用這個(gè)AI系統(tǒng)來辨別《救世主》。

因?yàn)椋@是一個(gè)更大的挑戰(zhàn)，達(dá)·芬奇留存下來的畫作數(shù)量太少了，只有不到 20 幅，其中一些還是未完成的草圖…

不過最終，他們獲得了合理的圖塊分類，并生成了一個(gè)極有說服力的概率圖。

結(jié)果顯示，畫作背景和祝福之手存疑。這和專家們的意見是一致的。

這幅畫曾經(jīng)過廣泛修復(fù)，包括對(duì)背景完全重新粉刷。另外，專家們對(duì)誰畫了祝福之手意見不一。

至于CNN 究竟是如何找到關(guān)鍵細(xì)節(jié)的，Steven說，他也不知道。

「CNN的中間部分是一系列卷積層，可以逐步分解圖像的細(xì)節(jié)，再以某種不可思議的方式進(jìn)行分類。」

夫妻同心，齊力建CNN

出人意料的是，Steven 并不是計(jì)算機(jī)科學(xué)家，而是摩根路易斯律師事務(wù)所（Morgan Lewis ）的一名知識(shí)產(chǎn)權(quán)律師。

2012 年，完成 EdX 的電子學(xué)入門后 ，他發(fā)現(xiàn)自己愛上了這類在線課程，根本停不下來！隨后，他通過在線學(xué)習(xí)獲得了哥倫比亞大學(xué)的人工智能專業(yè)畢業(yè)證書。

他的妻子Andrea是一位藝術(shù)史學(xué)家，她花了很多時(shí)間策劃藝術(shù)圖像，目前正考慮退休。

Steven指出，科學(xué)測(cè)量可以確定一幅畫的年代和畫作細(xì)節(jié)，但是無法直接判斷其創(chuàng)作者，因?yàn)檫@需要對(duì)風(fēng)格和技術(shù)作出準(zhǔn)確的判斷。

不過，計(jì)算機(jī)分析非常適合完成這一判斷任務(wù)。尤其是神經(jīng)網(wǎng)絡(luò)這種擅長(zhǎng)檢測(cè)圖案的計(jì)算機(jī)算法。

目前，CNN已有廣泛應(yīng)用，包括識(shí)別人臉和協(xié)助自動(dòng)駕駛。

那為什么不用CNN來解決更多現(xiàn)實(shí)問題？

于是，兩人共同完成了這一「利用CNN檢測(cè)藝術(shù)偽造」的項(xiàng)目，他們還給自己的AI系統(tǒng)取名為「The A-Eye」。