آیا هوش مصنوعی می تواند به شناسایی سیترها در پرتره های تاریخی کمک کند؟

آیا هوش مصنوعی می تواند به شناسایی افراد نشسته در پرتره های تاریخی کمک کند؟ این سوالی است که توسط یک پروژه بین رشته‌ای و همچنین نمایشگاهی که در این ماه در موزه هنر و تاریخ ژنو افتتاح شد، با ده‌ها نقاشی گچی 1762 از خانواده ماریا ترزای اتریش توسط هنرمند قرن 18 ژان اتین لیوتار به نمایش گذاشته شد.

بیست سال پیش، زمانی که کاتریونا ست در حال آماده شدن برای انتشار کتابی درباره ماری-آنتوانت بود، یک پرتره محبوب دوران کودکی از ملکه مشهور فرانسوی توسط هنرمند قرن هجدهم ژان اتین لیوتار را به عنوان تصویر روی جلد کتاب انتخاب کرد. تنها سال‌ها بعد، هنگام تحقیق در مورد زندگی اولیه این خانواده سلطنتی بدنام شده، متوجه شد که چیزی درست نیست.

بانوی جوانی که در آن نقاشی با گچ به تصویر کشیده شده است، مدال جوانمردی نشان صلیب ستاره ای را به لباس صورتی ژولیده اش چسبانده است. ماری آنتوانت نیز آن مدال را دریافت کرد، اما هنوز در سال 1762 نرسیده بود، زمانی که لیوتار (1702-1789) در وین بود و مجموعه‌ای از پرتره‌های بسیاری از فرزندان ملکه ماریا ترزای اتریش را تهیه می‌کرد.

همانطور که مشخص شد، پرتره‌ای که ست برای تصویر کردن جلد کتابش استفاده کرد، همانطور که مدت‌ها تصور می‌شد به هیچ وجه از ماری-آنتوانت نبود، بلکه مربوط به خواهرش ماری-کارولین بود.

ست، استاد ادبیات فرانسوی در کالج آل سولز، دانشگاه آکسفورد، می‌گوید: «من دوست دارم بتوانم این را به مردم بگویم، زیرا این فقط نشان می‌دهد که تحقیق یک فرآیند مداوم است و ما نیز از اشتباهات خود یاد می‌گیریم. چیزهایی وجود دارد که می توان کشف کرد، حتی در مورد پرتره های بزرگ، متون عالی. ما باید در مورد آنها فکر کنیم و چیزها را زیر سوال ببریم.

ست شواهدی تاریخی داشت که نشان می‌داد پرتره‌ای که قبلا به عنوان ماری-آنتوانت معرفی می‌شد، مربوط به ماری-کارولین بود، اما ادعای خلاف این موضوع دشوارتر بود: اینکه پرتره زمانی تصور می‌شد ماری-کارولین باشد، در واقع از ماری-آنتوانت بود. ست با به یاد آوردن فیلترهای محبوبی که به صورت آنلاین دیده بود، به این فکر کرد که اگر پرتره را در برنامه ای آپلود کند که چهره های 10 یا 20 ساله پیرتر می شود، چه اتفاقی می افتد. او این کار را کرد و سپس نتیجه را با یک پرتره بزرگسال از رینه فرانسوی مقایسه کرد. ست اذعان می کند: «این خیلی مفید نبود. "اما من فکر کردم: یک ایده در اینجا وجود دارد."

ست این را به Marie-eve Celio-Scheurer، متصدی ارشد و رئیس بخش هنرهای گرافیکی در موزه هنر و تاریخ ژنو (MAH) که دارای بزرگترین مجموعه پرتره های لیوتار در جهان (شامل دو مورد مورد بحث) است، اشاره کرد. Celio-Scheurer به نوبه خود با David-Olivier Jacquet-Chiffelle، استاد علوم پزشکی قانونی و شناسایی هویت در دانشگاه لوزان، محل قدیمی ترین دانشکده علوم پزشکی قانونی جهان، تماس گرفت. او با سباستین مارسل، متخصص بیومتریک و تشخیص چهره ارتباط برقرار کرد.

این تیم با هم این سوال را مطرح کردند: آیا می توان از هوش مصنوعی و فناوری های بیومتریک مدرن برای شناسایی افراد در پرتره های هنری چند صد ساله استفاده کرد؟

آنها سعی دارند از طریق یک پروژه آزمایشی مشترک، INTERART، که با همکاری MAH، دانشگاه آکسفورد، موسسه تحقیقاتی Idiap و دانشکده عدالت کیفری دانشگاه لوزان، به این سوال پاسخ دهند. شناسایی یک نشیمنگاه در یک پرتره یک کار هنری-تاریخی پیچیده است که شامل مطالعه منشأ، کتیبه‌ها، اسناد بایگانی، کنار هم قرار دادن شمایل‌نگاری، تاریخ مجموعه، و لباس و جواهرات است. آیا فناوری‌های امروزی می‌تواند مورد دیگری در جعبه ابزار محقق باشد؟

نتایج این پروژه، در این مرحله اولیه، بخشی از نمایشگاهی است که در ماه جاری در MAH با عنوان Liotard & Marie-Antoinette: Faces Under Investigation و یک کاتالوگ همراه آن افتتاح شد. این نمایش که تا 7 فوریه 2027 نمایش داده می شود، تمام 11 نقاشی از فرزندان ماری ترز، به علاوه یک پرتره از پدر آنها، فرانسوا اتین دو لورن را که اخیرا وارد مجموعه موزه شده است، ارائه می دهد. در این نمایشگاه، پرتره های لیوتار از ماری-آنتوانت و ماری کارولین به تازگی عنوان شده است تا هویت واقعی نشسته ها را منعکس کند.

سیستم‌های تشخیص چهره فعلی، که در اصل برای عکس‌ها ساخته شده‌اند، می‌توانند چهره‌ها را با وجود تفاوت در ژست، نور، بیان، سن و کیفیت تصویر مقایسه کنند. آنها هرگز در نظر گرفته نشده بودند که در نقاشی ها استفاده شوند، جایی که دو پرتره از یک نشیمن ممکن است تفاوت های عمده ای در سبک و تکنیک داشته باشند. بنابراین، چالش ایجاد مدل‌هایی است که می‌توانند ثابت‌های صورت را بدون توجه به تغییرات ایجاد شده از طریق تمرین هنری تشخیص دهند.

یک نکته: برای اینکه یک نقاشی به طور موثر از طریق بیومتریک و هوش مصنوعی تجزیه و تحلیل شود، باید مستقیما قبل از نشستن ایجاد شده باشد، و بنابراین به شباهت فرد صادق باشد (به‌عنوان مثال، نه یک کپی از یک پرتره موجود).

پتانسیل چنین مدلی تولید آستانه های احتمالی است نه ارائه پاسخ های قطعی. Celio-Scheurer می گوید: "هیچ وقت یک پاسخ 100 درصد درست وجود ندارد، و این همان چیزی است که پروژه را جالب نگه می دارد." "این به شما یک پتانسیل می دهد."

این مسیر نویدبخش است، اما نیاز به اصلاح دارد. این الگوریتم می‌تواند تداعی‌هایی را پیشنهاد کند که به طور طبیعی برای محققان پیش نمی‌آید و ممکن است به شناسایی افراد در پرتره کمک کند. همه ما می‌دانیم که موزه‌ها مملو از پرتره‌های یک زن ناشناس یا یک مرد ناشناخته هستند، از این قبیل، و اگر بتوانیم پایگاه‌های اطلاعاتی پرتره‌هایی داشته باشیم که دقیقا بدانیم که یک نشیمن چه کسی است، دقیقا بدانیم سن آنها کجا بوده است، می‌دانیم که آنها برای پرتره نشسته‌اند و غیره، سپس با قرار دادن یک پرتره ناشناس در ترکیب، احتمالا این الگوریتم می‌تواند چیزهایی را به ما توضیح دهد.

ممکن است به ما سرنخ بدهد.» از این نظر، کمی شبیه یک پایگاه داده از مجرمان است، جایی که شما اثر انگشت مظنون را ارائه می‌دهید و به یک مسابقه امیدوار می‌شوید.

Seth و Celio-Scheurer مراقب هستند که هشدار دهند که این ابزارها جایگزین چشم انسان یا تحقیقات سنتی نمی شوند. بلکه می توانند کمک های اضافی باشند. Celio-Scheurer خاطرنشان می کند: «مورخین هنر [کاملا درباره این رویکرد کنجکاو هستند. این طور نیست که هوش مصنوعی جایگزین تحقیق در تاریخ هنر شود، بلکه بیشتر یک پشتیبان یا ابزاری است که می تواند نشانه هایی را ارائه دهد». "در حال حاضر این یک پشتیبانی است، اما چه کسی می داند که این ابزار تا چه حد می تواند توسعه یابد؟"