


Die Wahrheit hinter Raffaels berühmten Gemälden kommt ans Licht: Der Eingriff künstlicher Intelligenz kommt nicht einfach vom Meister
Den neuesten Nachrichten zufolge hat eine Studie über ein neuronales Netzwerk mit künstlicher Intelligenz eine Anomalie in einem berühmten Gemälde von Raphael entdeckt. Auf diesem Gemälde erscheint tatsächlich ein Gesicht, und dieses Gesicht wurde nicht von Raffael selbst gemalt. Diese Entdeckung erregte große Aufmerksamkeit und Diskussion.
Das als Madonna della Rosa bekannte Gemälde ist seit Jahren umstritten, und Wissenschaftler streiten darüber, ob es sich um ein Original von Raffael handelt. Obwohl die Bestimmung der Herkunft eines Kunstwerks eine Kombination von Beweisen erfordert, stützt eine neue Analysemethode, die auf Algorithmen der künstlichen Intelligenz basiert, die Annahme, dass das Gemälde zumindest teilweise von einem anderen Künstler geschaffen wurde.
Ein Team britischer und amerikanischer Forscher hat einen maßgeschneiderten Algorithmus für künstliche Intelligenz entwickelt, um die Pinselstriche, Farben, Schatten und andere Details von Raffaels bekannten Werken zu analysieren. Dr. Hassan Uqair, ein Mathematiker und Informatiker, erklärte, dass sie mithilfe der Deep-Feature-Analyse-Technologie den Computer lernen ließen, die subtilen Stile zu erkennen, die Raffaels Werken eigen sind, sei es Pinselstriche, Töne, Schattierungen oder das Gesamtlayout. Daher kann man sagen, dass die visuellen Fähigkeiten von Computern die des menschlichen Auges bei weitem übertroffen haben und in Details auf Mikroebene vordringen können.
Für einen Künstler wie Raphael mit einer begrenzten Anzahl an Werken erfordert maschinelles Lernen normalerweise eine große Datenmenge für das Training, was eine Herausforderung darstellt. Um dieses Problem zu lösen, modifizierte das Forschungsteam die von Microsoft entwickelte Pre-Training-Architektur ResNet50 und kombinierte sie mit der Support Vector Machine in der traditionellen maschinellen Lerntechnologie. Auf diese Weise wandten sie erfolgreich Techniken des maschinellen Lernens an, um Raffaels Werke zu studieren und zu analysieren.
Diese Methode hat sich bei der Identifizierung von Raffael-Gemälden bereits als 98 % genau erwiesen. Diesmal ließen sie die KI nicht nur das gesamte Gemälde analysieren, sondern untersuchten auch einzelne Gesichter darin einzeln. Forschungsergebnisse zeigen, dass die Gesichter der Jungfrau, des Heiligen Kindes und des Heiligen Johannes alle als Werke Raffaels selbst bestätigt werden können, der Gesichtsstil des Heiligen Josef in der oberen linken Ecke unterscheidet sich jedoch offensichtlich von den anderen Teilen.
Forscher stellen fest, dass bei früheren Streitigkeiten über die Echtheit des Gemäldes angenommen wurde, dass das Gesicht des Heiligen Josef weniger raffiniert sei als das der anderen Figuren im Rahmen.
Dr. Ugel sagte, dass bei der Analyse des gesamten Gemäldes keine einstimmige Schlussfolgerung gezogen wurde. Als sie jedoch jedes Gesicht auf dem Gemälde einzeln analysierten, stellten sie fest, dass mit Ausnahme des Heiligen Josef der Rest des Gesichts dem Stil von Raffaels Werk sehr ähnlich war.
Forscher spekulieren, dass das Gesicht des Heiligen Josef möglicherweise von einem Schüler Raffaels, Giulio Romano, gemalt wurde. Obwohl diese Spekulation noch weiterer Forschung bedarf, besteht kein Zweifel daran, dass die KI-Technologie ein neues Werkzeug zur Aufdeckung klassischer Gemälde bietet .
Nach unserem Verständnis entstand „Die Madonna mit der Rose“ zwischen 1518 und 1520. Bereits Mitte des 19. Jahrhunderts stellten einige Kunstkritiker in Frage, dass das Gemälde nicht vollständig von Raffael stammte.
Erwähnenswert ist, dass das Forschungsteam betonte, dass KI nicht dazu gedacht ist, Kunstexperten zu ersetzen, sondern ihr rechter Assistent zu werden. Dr. Ugel sagte: „Kunstbewertung ist ein komplexer Prozess, der die Berücksichtigung verschiedener Faktoren wie Herkunft, Pigment, Erhaltungszustand usw. erfordert. KI ist nur eines der Hilfswerkzeuge, und das endgültige Urteil wird immer noch von Experten getroffen.“
Die Forschungsergebnisse wurden im Magazin „Heritage Science“ veröffentlicht.
Das obige ist der detaillierte Inhalt vonDie Wahrheit hinter Raffaels berühmten Gemälden kommt ans Licht: Der Eingriff künstlicher Intelligenz kommt nicht einfach vom Meister. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
