本文介绍了一种基于计算机视觉的算法，利用多样性特征融合和区域投票技术可以准确地搜索和定位艺术品中指定的图案或物体，有效地解决了大规模数字化艺术品数据集的图像检索问题。

Jul, 2021

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 2023

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

本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。

Jul, 2019

本文通过对毕加索的绘画作品中的抽象畸变物件的检测，比较了四种目标检测算法与人眼视觉感知的相似度，结果证明人类视觉感知能远胜目前算法，并且人类视觉感知和基于部件的模型表现了类似的性能下降，印证了大脑中基于部分的目标表征理论。

Sep, 2014

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

本文探讨了现代人工智能模型对策展世界的影响，并以赫尔辛基艺术博物馆为例，通过视觉 - 文本模型将艺术品放置在城市公共空间中以及生成合成的 360 度艺术全景图作为一种人工视觉风格，最终讨论了机器策展的贡献和相关的伦理道德问题。

Jun, 2023

本研究介绍一种基于草图的物体检测框架，利用基础模型（如 CLIP）和既有的草图模型（如 SBIR）之间的协作来构建高度可推广的草图和照片编码器，并设计一种训练范式来适应对于物体检测，评估结果显示该框架在零样本设置下的表现优于有监督的和弱监督的对象检测器。

Mar, 2023

基于属性描述的艺术表演设计工具与新型机器学习模型结合，生成和可视化艺术动作，为艺术家提供直观平台，将复杂运动生成技术普及给更广泛的艺术界。

Mar, 2024

该研究提出了一个基于内容的当代艺术推荐系统，结合艺术品和艺术家的图像和上下文信息，使用接近性图分析和自然语言处理技术，通过一支由艺术大师评估后平均得分为 75％的艺术品推荐系统。

Jul, 2022