研究了卷积神经网络在艺术风格分类任务中的应用，并通过与艺术史概念的相关性分析评估了其学习表征。学习表征显示艺术风格的视觉变化可以由少数基本因素解释，这些因素与 Heinrich Wölfflin 提出的风格模式相关，并且网络能在没有关于时间和历史背景等信息下，将艺术品放在一个平滑的时间数组里。

Jan, 2018

通过对印度民间绘画进行分类和标记，使用 GPT4 生成标签并通过专家验证，利用细调的卷积神经网络模型对印度民间绘画进行分类，同时生成标签，为画作提供更深入的信息并提升主题和视觉属性基础上的搜索体验。

May, 2024

本研究提出了一种弱监督检测绘画作品中物体的方法，仅需要图像级别的注释，结合多实例学习方法的效率，可以快速学习新的绘画类别，避免了手动标记的繁琐任务。通过在多个数据库上展示实验证明，放弃实例级别注释仅会造成轻微性能损失。我们还介绍了一个新的数据库 IconArt，其中涉及的类别，如耶稣儿童或圣塞巴斯蒂安等是无法从照片中学习的。据我们所知，这是关于自动化（在本例中为弱监督）检测绘画作品中的图标元素的第一批实验，我们认为这种方法对于帮助艺术史学家探索大型数字数据库非常有益。

Oct, 2018

该研究提出了一种新方法，将新颖性检测与 CNN 图像特征相结合，用于在大型数据集中快速发现新的，有趣的，不同寻常或异常的图像，并提供可解释的解释。

Jun, 2018

本文研究了将照片和图标图像进行转换的方法，通过使用生成对抗网络（GAN）中的 CycleGAN 和 UNIT 方法实现从照片图像中分割目标对象并生成图标图像，在多个图像数据集上验证 CycleGAN 具有足够的抽象和简化能力以生成类似图标的图像。

Apr, 2020

本文介绍了一种机器学习系统，可以用视觉元素和艺术原则对美术作品进行量化分析。通过代理学习机制，该框架可以解决诸如高视觉复杂性和训练数据不足的实际限制问题，并在 Visual Concepts 数量化方面得到证实。

Jan, 2022

这篇论文研究了利用人工智能和神经网络技术实现数字化艺术作品的分类和管理，以及通过使用迁移学习和机器学习方法实现画家的自动识别和分类，实现了 85% 的分类准确率。

Apr, 2023

本文提出一种基于深度卷积自编码神经网络的新方法，用于画家分类问题，相对于先前的图像处理和手动特征提取，该方法在原始像素级别进行操作，采用深度卷积自编码和有监督的卷积神经网络，将原有的 90.44％分类准确率提高到 96.52％。

Nov, 2017

通过构建一个单一、可扩展的深度网络，可以简洁地捕捉多种不同画作的艺术风格，通过将绘画降维成嵌入空间中的点，该模型具有泛化艺术风格的能力，并允许用户任意结合从单个画作中学习的风格，为建立绘画的丰富模型提供了有用的步骤，以及展示了艺术风格的学习表示结构。

Oct, 2016

本文旨在确定 Deep Neural Networks 在处理抽象语义操作时的局限性，并提出了一种使用认知架构来判断艺术品类别的新的计算方法。

Dec, 2022