示例：英特尔卷积神经网络-FSRCNN 结构

该研究除了揭示过去的绘画面貌外，还可以帮助艺术史学家确定适当的艺术品保护和修复策略，以及保护和展示艺术品的有效做法。

研究人员在一系列实验中评估了他们的模型，发现它取得了显著的结果。他们的发现强调了使用机器学习对退化的图像、文档和艺术品进行预测性重建的可行性。尽管研究人员专门用他们的模型来重建梵高的画，但它也可以应用于其他恶化的纸质艺术品或19世纪的手稿。

范德卢布说：“我们在梵高绘画的数字重建方面取得了比目前使用其他方法更好的效果。当然，梵高只是一个测试或例子。我们的技术也可以延伸到其他艺术家的绘画、素描和旧文献。”

示例：英特尔卷积神经网络-FSRCNN 测试

在未来，这种新工具可以帮助艺术史学家对艺术品进行重建，以避免这些艺术珍品彻底恶化。在他们最近的研究中，研究人员一次专注于一幅画，训练他们的卷积神经网络有限的复制品数量。并且该模型也可以用来预测基于大量复制品的原始图画的样子。

此外，这种技术目前通过分析视觉信息来工作。在他们的下一个研究中，研究人员想研究同时分析视觉和化学相关信息（例如墨水的组成及其降解率）是否可以增强模型的性能。

END

以上内容以及图片均转自网络以及英特尔官方网站，对卷积神经网络感兴趣的小伙伴可以复制以下链接，或点击阅读原文，体验英特尔面向卷积神经网络的实施方法。

面向图像超高分辨率的卷积神经网络示例：

https://software.intel.com/es-es/node/784690返回搜狐，查看更多