近年来，艺术品保护领域对无损成像技术的依赖日益增长。宏观X射线荧光（MA-XRF）分析技术作为一种强大的工具，为研究人员提供了分析绘画颜料和技法的有效手段，但其产生的海量数据也带来了新的挑战。Downcodes小编将为您介绍一项利用深度学习技术突破传统MA-XRF数据分析瓶颈的研究。
近年来，无损成像技术在绘画研究和保护领域取得了飞速发展，宏观X射线荧光（MA-XRF）分析技术作为其中的佼佼者，能够帮助专家们识别颜料、分析绘画技法，为了解艺术家的创作过程提供宝贵信息。然而，MA-XRF技术会生成庞大而复杂的数据集，对传统的数据分析方法提出了挑战。
最近，意大利的研究人员将深度学习算法应用于MA-XRF数据集的光谱分析，开发了一套全新的分析方法 。该方法使用蒙特卡洛模拟生成的50多万个合成光谱对深度学习算法进行训练，能够快速准确地分析MA-XRF数据集中的XRF光谱，克服了传统解卷积方法的局限性。
为了验证新方法的准确性和适用性，研究人员将该方法应用于意大利卡波迪蒙特博物馆展出的两幅拉斐尔画作——《父神》和《圣母玛利亚》。结果显示，深度学习模型不仅能够更准确地量化荧光线强度，还能有效消除传统分析方法产生的伪影，生成更清晰的元素分布图。
通过与传统解卷积算法的比较分析，研究人员发现，新方法在处理低计数、低信噪比的元素线时表现更为出色，能够更精确地分离XRF光谱中重叠的荧光线，从而更准确地识别颜料 。例如，新方法可以准确地区分能量相近的铁（Fe）和锰(Mn)元素，以及铅(Pb)和硫(S)元素，避免了传统方法容易产生的误判。
这项研究成果标志着人工智能技术在艺术品分析领域的重大进步，为更准确、更高效地分析XRF光谱，特别是处理MA-XRF成像技术产生的大型数据集提供了新的思路 。未来，研究人员计划进一步扩展该方法的应用范围，例如推断绘画的层析结构，或比较不同仪器获得的光谱数据 。
论文地址:https://www.science.org/doi/10.1126/sciadv.adp6234
这项研究充分展示了深度学习在艺术品分析领域的巨大潜力，为艺术保护和研究提供了新的技术手段，Downcodes小编期待未来更多人工智能技术应用于艺术领域，推动艺术研究的进一步发展。