阿尔伯特·比尔史伯特（Albert Bierstadt）1885年的作品《莫尔特拉齐冰川》（The Morteratsch Glacier, Upper Engadine Valley, Pontresina）

• 柳丹 李瑞 编译

人们是如何解释和理解艺术的？艺术风格貌似抽象、直观，但艺术的实质一直是艺术历史学和艺术哲学讨论的主题。

当我们谈论绘画的艺术风格时，指的主要是其图像特征，如作者的笔触、轮廓和上色，这些往往是很含蓄的。艺术家的风格传达着作品的意义和目的，也影响着人们在观赏作品时的审美体验。风格有时可以帮助我们对作品进行识别和分类，以便把它放到特定的时间和地点背景下。

现在有种新的研究，旨在深化甚至量化我们对这种无形特性的理解。视觉文体学本就是跨学科的，通常采用运算和统计的方法来计算和比较这些底层图像的特征。人们不必再单纯依靠感官的感知，而是可以通过数学计算对艺术家和艺术作品有个新的认识。

赏画新方法

一直以来，派系和画家之间相互影响。对艺术风格进行量化，有助于我们追溯其历史，对未知的或疑似伪造的艺术品进行身份认证，甚至为归属于多个艺术家名下的作品找到它们真正的共主，还可以看到艺术家的风格和画法在其整个职业生涯中是如何变化的。

艺术学者认为，艺术家风格最明显的标志是绘画的用色以及它在不同部分的变化。数字化手段可以就此进行分析，帮助我们了解人们是如何理解艺术品的。

例如，我们可以选择某个艺术品作为样本，如现藏于布鲁克林博物馆的阿尔伯特·比尔史伯特（Albert Bierstadt）1885年的作品《莫尔特拉齐冰川》（The Morteratsch Glacier, Upper Engadine Valley, Pontresina）。将作品扫描，把它分解成单个像素，得出每个小部分的红色、绿色和蓝色的数值各是多少。而后，通过计算整幅画每个像素与其周围像素的数值差，可以知道这些色调特征在整幅作品中的变化情况。用图表的方式展示这些数值，给我们提供了解析艺术的新视角。

将作品《莫尔特拉齐冰川》（The Morteratsch Glacier, Upper Engadine Valley, Pontresina）的前景和背景提取出来进行分析

由此，依据或多或少的文本要素，我们可以对艺术家的风格进行分类。可能有人会认为，一幅画的背景似乎更能反映艺术家的风格。我们可以把这部分单独提取出来，检测它的色调特点，然后进行比较分析，以整体对比其背景或前景。例如，当分析印象派和哈德逊河画派（Hudson River）作品时，系统会根据其每一幅画的色调分布划分它的画派。从得到的数据看，系统能准确识别出每位艺术家，而且相较于分析整幅画，当分别单独检测其前景和背景时，识别效果更佳。

WAIVS：一键解析艺术

尽管这些计算技术在识别艺术风格方面成效显著，但人文学科的学者使用地相对较少，主要是因为研究人员没有掌握必要的计算机编程和机器学习技能。最近，这些艺术家和艺术历史学者，还有那些非计算机科学专业领域的人，即使技术不佳，也不得不对他们的藏品进行诸如此类的分析。

研发团队由计算机科学、艺术哲学和认知科学方面的专家组成，正在研发一种叫做“图像和视觉文体学分析工作流”（Workflows for Analysis of Images and Visual Stylometry，英文缩写为WAIVS）的数字图像分析工具，采用的就是这种新方法来研究绘画。它可以帮助许多学科的学生和研究人员，甚至是那些没有高超计算机技能的人，也能对艺术作品进行分析，或用于研究，或出于鉴赏。

WAIVS是一种基于Wings工作流系统（Wings workflow system）的图像分析工具，用户以画流程图的方式来对绘画进行分析。例如，比较整幅画和单纯背景的色调分析时，学者并不需要创建复杂的计算机软件，而只需按照下图操作即可。

该图实际上是一个计算机程序，因此一旦用户设计了工作流，他们只需点击一个按钮就能进行分析。WAIVS不仅包括离散色调分析，还包括其他图像分析算法，如最新的计算机视觉和艺术风格算法。

艺术风格的神经算法

德国图宾根大学的里昂·加提斯（Leon Gatys）等人新近研发出了一种基于深度神经网络的人工系统。该系统可以制作非常具有艺术气息的电脑图片，用深度学习法和技术可以得到和梵高、毕加索等大师风格类似的图像。

该系统基本原理可以划分为内容提取和风格提取两个部分。在内容提取中，算法使用了深度神经网络中的卷积神经网络（Convolutional Neural Network，CNN）。卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。输入图像通过和若干滤波器进行卷积后产生相应的特征映射图。这些特征映射图中每组的几个像素再进行求和、加权以及加偏置（bias），通过一个Sigmoid函数得到下一层特征映射图。该过程依次进行，直到通过神经网络的所有层后，得到输出。在里昂等人的研究中提到，随着图像通过CNN中的多个层，图像内容越来越多的反应到特征映射图中。而网络中高层的特征响应就可以记为内容表示（content representation）。

在风格提取中，算法使用了原本用于获得纹理信息的特征空间。该特征空间基于神经网络中每一层的滤波响应，由这些响应之间的相关度所组成。通过包含多层网络的特征相关，算法获得了一个输入图像的多层表示——风格表示（style representation）然后，系统通过寻找同时符合内容表示和风格表示的图片，即可合并两张图画，制作出新的图画。

以这种方式提取的画的风格，本质上是一种纯粹的数学。它通过把提取的风格与另一张绘画或照片的内容相结合，得到的可视化成果就像是由另一位艺术家创作的一样。

我们已将这些技术运用于WAIVS，还加了更多先进的算法，艺术学者可以通过这一工具，在分析中应用最新的研究。例如，可用WAIVS依照其他艺术家的风格重新创建比尔史伯特（Bierstadt）的绘画。

比尔史伯特（Bierstadt）的作品以梵高、蒙克、卡洛、毕加索、马蒂斯、埃舍尔（顺时针自左上起）的风格重现

进入艺术的大同世界

最后，该团队正计划把WAIVS并入到Beam telepresence系统（一种图像和视频系统）中，以便人们能可视化地访问现实世界的博物馆展品。世界各地的人们不仅可以观赏艺术，还可以对其进行数字化分析。这将极大促进公众和学术界接触到这一思考艺术的新方法，也为教学与研究开拓了新途径。

我们希望WAIVS不仅能促进人文学科的研究人员运用电脑工具，而且可以提升人文学科学生的科技素养和数据分析能力。此外，我们期望它能促进理工科学生进行艺术和人文学科的研究，探索我们更深刻地理解艺术风格的本质。我们也希望这将有助于认知科学的研究人员理解受众是如何从感官上分类、识别和融入艺术世界的。

                                                                                                        （原载于科学媒介中心）