« 2024. № 2 (176)

Народознавчі зошити.  2024. № 2 (176).  С. 415—425

УДК 7.025’174

DOI https://doi.org/10.15407/nz2024.02.415

РОЛЬ ІНФОРМАЦІЙНО-КОМУНІКАЦІЙНИХ ТЕХНОЛОГІЙ В ЕКСПЕРТИЗІ ТА ПОПУЛЯРИЗАЦІЇ ТВОРІВ СТАНКОВОГО ЖИВОПИСУ

ТИМЧЕНКО Тетяна

• ORCID ID: https://orcid.org/0000-0002-1814-4331
• кандидатка мистецтвознавства, доцентка, завідувачка кафедри
• техніки та реставрації творів мистецтва,
• Національна академія образотворчого мистецтва і архітектури,
• вул. Вознесенський узвіз, 20, 04053, м. Київ, Україна,
• e-mail: tetiana.tymchenko@naoma.edu.ua

МИКОЛАЙЧУК Антоніна

• ORCID ID: https://orcid.org/0000-0002-3536-7262
• аспірантка, Національна академія образотворчого мистецтва
• і архітектури, кафедра теорії та історії мистецтв,
• вул. Вознесенський узвіз, 20, 04053, м. Київ, Україна,
• e-mail: tvorcha97akyla@gmail.com

Анотація. Стаття присвячена проблемі запровадження сучасних інформаційно-комунікаційних технологій (ІКТ) у галузь мистецтвознавчої й технологічної експертизи творів станкового живопису. Підкреслено значення та переваги цифрової обробки та створення високоякісних зображень, що сприяє поширенню знань про станковий живопис і уможливлює детальніше його вивчення, особливо з урахуванням обмеженого доступу до оригіналів у музейних колекціях. Розглянуто роль ІКТ у набутті нових відомостей про твори живопису відомих майстрів шляхом запровадження новітніх методик технологічної та мистецтвознавчої експертизи; у популяризації музейних артефактів й покращенні взаємодії з відвідувачами.

Мета — дослідити значення запровадження інструментів ІКТ у різноманітних напрямах дослідження творів станкового живопису останніх десятиліть, у поглибленні знань про них та у популяризації цих знань серед дослідників та усіх зацікавлених осіб. Використано такі методи дослідження як історіографічний, джерелознавчий, фактологічний, метод систематизації отриманих даних і результатів.

Ключові слова: станковий живопис, музей, технологічна і мистецтвознавча експертиза, інформаційно-комунікаційні технології, нейронні мережі, штучний інтелект, віртуальна реальність, доповнена реальність.

Список використаних джерел

• 1. Тимченко Т.Р. Експертиза творів образотворчого мистецтва: живопис (історія та методологія): Навчальний посібник. Київ: НАКККіМ, 2017. 120 с.
• 2.  Цитович В.І. Експертиза творів образотворчого мистецтва: живопис: (методологія та практика): Навчальний посібник. Київ: НАКККіМ, 2018. 232 с.
• 3.  Florea C., Gieseke F. Artistic movement recognition by consensus of boosted SVM based experts. Journal of Visual Communication and Image Representation. 2018. Vol. 56. P. 220—233. URL: https://doi.org/10.1016/j.jvcir.2018.09.015
• 4.  Zhang A. The Narration of Art on Google Arts and Culture. The Macksey Journal. 2020. Vol. 1. № 1. Pp. 1—18. URL: https://www.mackseyjournal.org/publications/vol1/iss1/149
• 5.  An efficient and scalable privacy preserving algorithm for big data and data streams. M.A.P. Chamikara et al. Computers & Security. 2019. Vol. 87. P. 101570. URL: https://doi.org/10.1016/j.cose.2019.101570
• 6.  Baig M.I., Shuib L., Yadegaridehkordi E. Big data adoption: State of the art and research challenges. Information Processing & Management. 2019. Vol. 56. № 6. P. 102095. URL: https://doi.org/10.1016/j.ipm. 2019. 102095
• 7.  Google Arts & Culture. Google Arts & Culture. URL: https://artsandculture.google.com
• 8.  Pappas M., Pitas I. Digital color restoration of old paintings. IEEE Transactions on Image Processing. 2000. Vol. 9. № 2. P. 291—294. URL: https://doi.org/ 10.1109/83.821745
• 9.  Stanco F., Gallo G., Battiato S. Digital Imaging for Cultural Heritage Preservation: Analysis, Restoration, and Reconstruction of Ancient Artworks. Taylor & Francis Group, 2017. 523 p.
• 10.  Cucci C., Picollo M., Vervat M. Trans-illumination and trans-irradiation with digital cameras: Potentials and limits of two imaging techniques used for the diagnostic investigation of paintings. Journal of Cultural Heritage. 2012. Vol. 13. № 1. P. 83—88. URL: https://doi.org/10.1016/j.culher.2011.07.002
• 11.  Digital image-based method to identify historical pigments in wall paintings. R.  Sáez-Hernández et al. Dyes and Pigments. 2024. P. 111912. URL: https://doi.org/10.1016/j.dyepig.2023.111912
• 12.  Garcia J.A., Yahaghi E., Movafeghi A. Improvement of the digital radiographic images of old paintings on wooden support through the anisotropic diffusion method. Journal of Cultural Heritage. 2021. Vol. 49. P. 115—122. URL: https://doi.org/10.1016/j.culher.2021.02.008
• 13.  Reflectance Imaging Spectroscopy (RIS) for Operation Night Watch: Challenges and Achievements of Imaging Rembrandt’s Masterpiece in the Glass Chamber at the Rijksmuseum. F. Gabrieli et al. Sensors. 2021. Vol. 21. № 20. P. 6855. URL: https://doi.org/10.3390/s21206855
• 14.  Artificial intelligence for art investigation: Meeting the challenge of separating x-ray images of the Ghent Altarpiece. Z. Sabetsarvestani et al. Science Advances. 2019. Vol. 5. № 8. P. eaaw7416. URL: https://doi.org/10.1126/ sciadv.aaw7416
• 15.  Multi-Modal Dictionary Learning for Image Separation With Application in Art Investigation. N. Deligiannis et al. IEEE Transactions on Image Processing. 2017. Vol. 26. № 2. P. 751—764. URL: https://doi.org/10.1109/tip.2016.2623484
• 16.  Del Chiaro R., Bagdanov A.D., Del Bimbo A. Webly-supervised zero-shot learning for artwork instance recognition. Pattern Recognition Letters. 2019. Vol. 128. P. 420—426. URL: https://doi.org/10.1016/j.patrec. 2019.09.027
• 17.  Gatys L.A., Ecker A.S., Bethge M.А. Image Style Transfer Using Convolutional Neural Networks. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV; USA, 27—30 June 2016. 2016. URL: https://doi.org/10.1109/cvpr.2016.265
• 18.  Gatys L., Ecker A., Bethge M.A. Neural Algorithm of Artistic Style. Journal of Vision. 2016. Vol. 16. № 12. P. 326. URL: https://doi.org/10.1167/16.12.326
• 19.  Multimodal Transfer: A Hierarchical Deep Convolutional Neural Network for Fast Artistic Style Transfer. X. Wang et al. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, 21—26 July 2017. 2017. URL: https://doi.org/10.1109/cvpr.2017.759
• 20.  Lecoutre A., Négrevergne B., and Yger F. Recognizing Art Style Automatically in Painting with Deep Learning. Proceedings of the Ninth Asian Conference on Machine Learning, PMLR 77. Pp. 327—342. Nov. 2017. URL: http://proceedings.mlr.press/v77/lecoutre17a/lecoutre17a.pdf
• 21.  The Shape of Art History in the Eyes of the Machine. A. Elgammal et al. Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Vol. 32. № 1. Pp. 2183­—2191. URL: https://doi.org/10.1609/aaai.v32i1.11894
• 22.  Foka A. Computer Vision Applications for Art History: Reflections and paradigms for future research. Proceedings of EVA London 2021. 2021. URL: https://doi.org/10.14236/ewic/eva2021.12
• 23.  He Z., Wu L., Li X. When art meets tech: The role of augmented reality in enhancing museum experiences and purchase intentions. Tourism Management. 2018. Vol. 68. P. 127—139. URL: https://doi.org/10.1016/j.tourman.2018.03.003
• 24.  Meinecke C., Hall C., Jänicke S. Towards Enhancing Vir­tual Museums by Contextualizing Art through Interactive Visualizations. Journal on Computing and Cultural Heritage. 2022. URL: https://doi.org/10.1145/ 3527619
• 25.  Unraveling the Composition of Rembrandt’s Impasto through the Identification of Unusual Plumbonacrite by Multimodal X-ray Diffraction Analysis. V. Gonzalez et al. Angewandte Chemie International Edition. 2019. Vol. 58. № 17. P. 5619—5622. URL: https://doi.org/10.1002/anie.201813105
• 26.  Castelli P.R. The secret of Rembrandt’s ‘3D’ technique revealed. IBSA Foundation for scientific research. URL: https://www.ibsafoundation.org/en/blog/the-secret-of-rembrandts-3d-technique-revealed
• 27.  Laser cleaning of paintings: in situ optimization of operative parameters through non-invasive assessment by optical coherence tomography (OCT), reflection FT-IR spectroscopy and laser induced fluorescence spectroscopy (LIF). P. Moretti et al. Heritage Science. 2019. Vol. 7. № 1. URL: https://doi.org/10.1186/s40494-019-0284-8
• 28.  Depth-resolved analysis of historical painting model samples by means of laser-induced breakdown spectroscopy and handheld X-ray fluorescence. E. Pospíšilová et al. Spectrochimica Acta. Part B: Atomic Spectroscopy. 2018. Vol. 147. P. 100—108. URL: https://doi.org/ 10.1016/j.sab.2018.05.018
• 29.  Андріанова О.Б., Біскулова С.О., Живкова О.В. et al. Наука. Мистецтво. Студії. Освіта. Технологічні дослідження творів мистецтва з колекції Музею Ханенків. Київ: Фенікс, 2019. 42 с.
• 30.  Андріанова О.Б., Біскулова С.О., Перевальський В.Є. et al. НАука. МИстецтво. СТудії. Освіта. Техноло­гічні дослідження творів європейської графіки з колекції Музею Ханенків. Київ: Фенікс, 2020. 60 с.
• 31.  Evaluation of the veracity of one work by the artist Di Cavalcanti through non-destructive techniques: XRF, imaging and brush stroke analysis. E.A.M. Kajiya et al. Radiation Physics and Chemistry. 2014. Vol. 95. P. 373—377. URL: https://doi.org/10.1016/j.rad­phys­chem.2013.03.027
• 32.  Exploring the Representativity of Art Paintings. Y. Deng et al. IEEE Transactions on Multimedia. 2020. P. 1. URL: https://doi.org/10.1109/tmm.2020.3016887
• 33.  ARTICT — home. GitHub Pages. URL: https://art-ict.github.io/artict/home.html
• 34.  When de Prony Met Leonardo: An Automatic Algorithm for Chemical Element Extraction From Macro X-Ray Fluorescence Data. S. Yan et al. IEEE Transactions on Computational Imaging. 2021. Vol. 7. P. 908—924. URL: https://doi.org/10.1109/tci.2021.3102820
• 35.  Revealing Hidden Drawings in Leonardo’s ‘the Virgin of the Rocks’ from Macro X-Ray Fluorescence Scanning Data through Element Line Localisation. S. Yan et al. ICASSP 2020—2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona, Spain, 4—8 May 2020. 2020. URL: https://doi.org/10.1109/icassp40776.2020.9054460
• 36.  Recovery of underdrawings and ghost-paintings via style transfer by deep convolutional neural networks: A digital tool for art scholars. A. Bourached et al. Electronic Imaging. 2021. Vol. 2021. № 14. P. 42-1—42-10. URL: https://doi.org/10.2352/issn.2470-1173.2021.14.cvaa-042.
• 37.  Миколайчук А. Технологічні інновації у вивченні та збереженні культурної спадщини: застосування віртуальної та доповненої реальності. Education and science of today: intersectoral issues and development of sciences. Chair Т. Тимченко. 2024. URL: https://doi.org/10.36074/logos-29.03.2024.128
• 38.  Revealing and Reconstructing Hidden or Lost Features in Art Investigation. B. Sober et al. IEEE BITS the Information Theory Magazine. 2022. P. 1—16. URL: https://doi.org/10.1109/mbits.2022.3207125
• 39.  Understanding multispectral imaging of cultural heritage: Determining best practice in MSI analysis of historical artifacts. C. Jones et al. Journal of Cultural Heritage. 2020. Vol. 45. P. 339—350. URL: https://doi.org/10.1016/j.culher.2020.03.004
• 40.  Wei W. Innovative technology in art conservation. 2023. URL: doi: https:// 10.4324/9781003217800

читати публікацію»