From an art history point of view, oil painting authentication evaluation was always a crucial matter. Recently by advancing computer vision and image processing methods, many studies have been done for detecting oil painting forgeries. Although Computer-based methods such as Deep Learning and Machine Learning illustrated promising results, more research should be done to design the AI model to detect the artist's unique brushstroke style for detecting forgeries. Since the artist’s unique style is one of the key criteria for distinguishing original from fake artworks. We hypothesize that using image-to-image translation methods such as Conditional Generative Adversarial Networks (CGANs) we are able to generate the artist's unique brushstroke style in order to evaluate paintings authentication.
The purpose of this research is to develop an automated system to analyze brushstroke for oil painting authentication using Conditional Generative Adversarial Networks (CGANs) and dissimilarity measurement. We design a specific CGANs for each style of the artist (aimed painter) to generate the painter’s style pattern. Next, in order to examine the suitability of CGANs’ structures for learning and generating trained painter’s brushstroke style, we experiment with three different discriminators. In this research, to make painting’s brushstroke dataset, we use Reflectance Transformation Imaging (RTI) method, which is a computational photographic technique that captures a subject’s surface shape and color and enables the interactive re-lighting of the subject from any direction. We examine the system using three different states of given new paintings. In our experiment the new painting has three different states including paintings drawn by the aimed painter (real), painting from another painter with close brushstroke style (fake) and in third state artificial forgery painting based on aimed painter painting (made by us due to lack of forgery dataset). After that, using Fourier Transform we measure the dissimilarity between Gan-Generated RTI brushstroke image of new painting and RTI ground truth brushstroke image to determine the probability of being fake and real painting. The results of dissimilarity measurement value show the promising results of using the system for detecting the probability of being fake and real painting; however, the results for artificial forgery painting is so close to the real painting. Comparing the results of Patch-Gan discriminator with Image-Gan and Pixel-Gan discriminator by dissimilarity measurement shows that the Patch-Gan discriminator is a more suitable GANs design for being used in oil paintings authentication.
미술사 관점에서 볼 때 유화 인증 평가는 항상 중요한 문제였습니다. 최근 컴퓨터 비전 및 이미지 처리 방법을 발전시킴으로써, 유화 위조를 탐지하기위한 많은 연구가 이루어졌다. 딥 러닝 및 머신 러닝과 같은 컴퓨터 기반 방법은 유망한 결과를 보여 주지만 AI 모델을 설계하여 위조 탐지를위한 아티스트의 고유 한 브러시 스트로크 스타일을 감지하기 위해 더 많은 연구를 수행해야합니다. 아티스트의 고유한 스타일은 원본과 가짜 아트 워크를 구별하기위한 주요 기준 중 하나입니다. CGAN (Conditional Generative Adversarial Networks)과 같은 이미지 간 변환 방법을 사용하여 그림 인증을 평가하기 위해 아티스트의 고유 한 브러시 스트로크 스타일을 생성 할 수 있다고 가정합니다.
이 연구의 목적은 CGAN (Conditional Generative Adversarial Networks) 및 비유사성 측정을 사용하여 유화 인증을위한 브러시 스트로크를 분석하는 자동화 시스템을 개발하는 것입니다. 화가의 스타일 패턴을 생성하기 위해 아티스트 (애니메이션 화가)의 각 스타일에 맞는 특정 CGAN을 디자인합니다. 다음으로, 숙련된 화가의 붓 스타일을 배우고 생성하기위한 CGAN 구조의 적합성을 조사하기 위해 세가지 다른 판별자를 실험합니다. 이 연구에서는 그림의 브러시 스트로크 데이터 셋을 만들기 위해 RTI (Reflectance Transformation Imaging) 방법을 사용합니다.이 기법은 피사체의 표면 모양과 색상을 캡처하고 모든 방향에서 피사체의 대화식 재조명을 가능하게하는 전산 사진 기법입니다. 우리는 주어진 새로운 그림의 세 가지 상태를 사용하여 시스템을 조사합니다. 우리의 실험에서, 새로운 그림은 목표 화가 (실제)가 그린 그림, 가까운 붓놀림 스타일 (가짜)을 가진 다른 화가의 그림, 그리고 목표 화가 그림을 기반으로 한 세번째 주 인공 위조 그림 (우리가 만든 위조 데이터 집합 부족). 그 후, 푸리에 변환을 사용하여 새로운 그림의 간 생성 RTI 브러시 스트로크 이미지와 RTI 기초 진실 브러시 스트로크 이미지 간의 비 유사성을 측정하여 가짜 및 실제 페인트일 확률을 결정합니다. 비 유사성 측정 값의 결과는 가짜 및 실제 그림일 가능성을 탐지하기 위해 시스템을 사용한 유망한 결과를 보여줍니다. 그러나 인공 위조 그림의 결과는 실제 그림과 매우 비슷합니다. Patch-Gan 판별 기의 결과를 Image-Gan 및 Pixel-Gan 판별 기와 비 유사성 측정으로 비교하면 Patch-Gan 판별 기가 유화 인증에 사용하기에 더 적합한 GAN 설계임을 알 수 있습니다.
