深度学习用于对绘画MA-XRF数据集的增强光谱分析
Zdenek Preisler1, Rosario Andolina1, Andrea Busacca1
1CNR, Istituto di Scienze del Patrimonio Culturale, Via Biblioteca 4, 95124 Catania, Italy.
Science advances
|September 25, 2024
概括
一个新的深度学习算法分析了绘画中复杂的宏X射线光 (MA-XRF) 数据. 这种计算方法提高了元素映射和光谱分析的精度,以保护艺术品.
科学领域:
- 艺术保护科学 艺术保护科学
- 计算机成像成像技术
- 材料分析 材料分析
背景情况:
- 非侵入性成像技术对于艺术研究和保存至关重要.
- 宏观X射线光 (MA-XRF) 产生了大型,复杂的数据集,挑战了传统的分析.
- 现有的计算方法在高维的MA-XRF数据方面存在困难.
研究的目的:
- 开发一种先进的计算方法来分析绘画中的MA-XRF数据.
- 为了提高MA-XRF数据集中的光谱分析的速度和准确性.
- 为了克服元素映射中的传统解卷技术的局限性.
主要方法:
- 在合成MA-XRF光谱数据上训练的深度学习算法的实施.
- 应用算法来分析RAPHAEL绘画中的MA-XRF数据集.
- 深度学习方法与传统解卷方法的比较.
主要成果:
- 深度学习模型提供XRF频谱的快速和准确分析.
- 在量化光线强度方面实现了更高的精度.
- 在元素地图中消除文物,这是常规方法的一个常见问题.
结论:
- 深度学习为在艺术保护中分析复杂的MA-XRF数据提供了强大的解决方案.
- 这种方法提高了元素量化和映射的精度.
- 这种方法有望对绘画数据集进行更全面的查询.


