science >> Wetenschap >  >> anders

Ontdek het scheppingstijdperk van oude schilderijen in Mogao Grottoes, China

Boeddhistische en muurschilderingen in Mogao Grottoes No. 206. Credit:Science China Press

Mogao Grottoes is gelegen in het westelijke uiteinde van de Hexi Corridor langs de oude Zijderoute in Dunhuang, China. Van 366 tot 1368 na Christus, er werd een grote groep Boeddha-grotten gebouwd die uit 735 grotten bestaat, 45, 000 m 2 muurschilderingen, en 2, 415 met klei beschilderde sculpturen. Het stond in 1987 op de Werelderfgoedlijst. Tot nu toe de meeste muurschilderingen bij Mogao Grottoes zijn gedateerd door rechtstreeks te verwijzen naar de muurschilderingen of historische documenten. Echter, de leeftijden van sommigen zijn onbepaald vanwege het gebrek aan referentiemateriaal of de onenigheid van kunstexperts in schilderijen.

De tekenstijl van muurschilderingen veranderde door de geschiedenis heen, en de tekenstijl kan worden bepaald en gekwantificeerd door middel van schildergegevens. Door het probleem van de datering van muurschilderingen te formuleren in een probleem van classificatie in tekenstijl, een nieuwe dateringsmethode is ontwikkeld door de tekenstijlen te coderen met visuele codes die door middel van deep learning zijn geleerd. Deze nieuwe methode bepaalde met succes het creatietijdperk van zes muurschilderingen bij Mogao Grottoes.

Dit nieuwe onderzoekswerk wordt geleid door Qingquan Li van de Universiteit van Shenzhen, zojuist geaccepteerd door Wetenschap China Informatiewetenschappen , onder de titel "Het dateren van oude schilderijen uit Mogao-grotten met behulp van diep geleerde visuele codes."

Met de hulp van experts van Dunhuang Research Academia, zeven muurschilderingen uit twee grotten (nr. 205 en nr. 206) zijn gekozen als onderzoeksobjecten voor dit onderzoek. Voor grot nr. 205, twee belangrijkste tekenstijlen werden verklaard door Dunhuang-kunstenaars, die de Peak Tang en de Middle Tang waren. Experts vermoeden dat de grot nr. 205 oorspronkelijk werd gebouwd in de Early Tang of Peak Tang, maar de constructie werd gedurende ongeveer 50 jaar gehinderd door oorlogen van de Anshi-opstand, en toen werd de bouw in de Midden-Tang geslaagd. Echter, tot nu, er was geen wetenschappelijke of kwantitatieve studie om deze verklaringen te ondersteunen. Voor grot nr. 206, schilderstijlen zijn controversieel tussen de Sui's en Early Tang's (zie figuur 1). specifiek, voor de twee Guanyin-schilderijen op de westelijke muur van grot nr. 205, Meneer Wen-Jie Duan, een zeer gerespecteerde voormalige president van DunHuang Research Academia, dateerde ze in Peak Tang, terwijl de heer Hui-Min Wang, een vooraanstaand expert in het Archeologisch Instituut van Dunhuang Research Academia, gedateerd in Early Tang.

Om het scheppingstijdperk van deze schilderijen te onthullen, Qin Zou, een onderzoeker van de universiteit van Wuhan, verzamelde 3860 muurschilderingen uit 194 verschillende grotten met vastberaden labels uit het scheppingstijdperk, en gebruikte data augmenting om een ​​trainingsset van meer dan 50 te vormen, 000 afbeeldingen. Om de tijdperk-discriminerende visuele codes in deze schilderijen te vinden, de auteurs construeerden een neuraal netwerk met diepe convolutie en classificeerden deze schilderijafbeeldingen in de juiste tijdperken. Op basis van het classificatiemodel een dateringsmethode werd gebouwd en toegepast om de zeven schilderijen te dateren.

Zes van de nieuwe dateringsresultaten zijn goedgekeurd door experts van de Dunhuang Research Academy. "Deze dateringsresultaten zijn correct en de methode is geweldig, " zei meneer Hui-Min Wang. Echter, de diepe leermethode dateerde het schilderij "Peacock King" in grot nr. 205 in de Midden-Tang-dynastie, terwijl Hui-Min Wang het dateerde in de Wudai-dynastie, wat een nieuw onderzoeksonderwerp naar de gemeenschap brengt.

"Voor zover wij weten, " schreven de vijf onderzoekers, "this work represents the first account of a scientific and quantitative manner to support the era prediction and reduce the uncertainties in dating ancient paintings by using deep learning."