Computational Imaging for Cultural Heritage: Recent developments in spectral imaging, 3-D surface measurement, image relighting, and X-ray mapping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Because art is inherently visual, the use of imaging has long been an important way to understand its structure, form, and history. Recently, new ways of engaging with objects from our shared cultural heritage are possible with advances in computation and imaging that allow scientists to analyze art noninvasively, historians to pose new social questions about the art, and the public to explore and interact with art in ways never before possible. There is a rich history in applying image processing techniques to conventional photographic images of works of art, many of which have been highlighted in previous special issues of IEEE Signal Processing Magazine (e.g., the 2008 and 2015 July issues). Building on these contributions, this article comprises a survey of techniques where computation is central to the image acquisition process. Known as computational imaging, the methods being pioneered in this field are increasingly relevant to cultural heritage applications because they leverage advances in image processing, acquisition, and display technologies that make scientific data readily comprehensible to a broad cohort of nontechnical researchers interested in understanding the visual content of art. Presently, only a small research community undertakes computational imaging of cultural heritage. Here we aim to introduce this growing new field to a larger research community by discussing: 1) the historic background of imaging of art, 2) the burgeoning present day community of researchers interested in computational imaging in the arts, and finally, 3) our vision for the future of this new field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle