6、艺术数据分类：挑战与误区

艺术数据分类：挑战与误区

1. 数据偏差与图像选择

在艺术图像研究中，即使纳入全球博物馆的所有图像数据，仍存在固有偏差，数据本身才是阻碍研究的关键因素。

1.1 数据集的发展

2015 年，罗格斯大学的 Elgammal 研究小组使用了带有众包元数据的 WikiArt 艺术数据库，该数据集包含 1119 位艺术家的 81449 张图像，远大于之前此类机器视觉实验所用的数据集。例如，2014 年发布的 Painting - 91 数据集仅包含 91 位艺术家的 4266 张图像。后续研究更是编译了数十万甚至数百万个样本的数据集。

1.2 图像选择的问题

在 2015 年大型艺术数据集进入计算机视觉和机器学习研究之前，图像收集和选择的描述往往模糊不清。作者常称从“互联网”获取图像，却不说明选择哪些艺术家和时间段及其原因。大部分研究试图从西方经典绘画数据集中提取风格类别，即便有少量研究涉及非西方艺术风格，但在纳入类别时也缺乏批判性思考。例如，Saleh 和 Elgammal 的研究中，将日本浮世绘与西方艺术类别混在一起；还有研究纳入澳大利亚土著艺术类别。这些非西方风格因形式属性差异，在预测中准确率更高。

1.3 选择二维绘画的原因

计算机科学研究多选择二维绘画作为实验对象，且主要是传统绘画，而非数字原生技术创作的图像。研究中常假定数字复制品能完全代表原作，尽管复制品可能分辨率低，缺少原作的纹理、颜色等细节。为使系统更具鲁棒性，研究常使用不同质量、大小、裁剪和分辨率的图像。

1.4 图像来源的影响

对于计算机科学家而言，数据集图像的一致性并非总是理想的，