Опыт использования искусственных нейросетей в решении задач виртуальной реконструкции исторических усадебных интерьеров

Обложка

Цитировать

Полный текст

Аннотация

В статье рассматривается опыт применения искусственных нейронных сетей в задачах виртуальной 3D-реконструкции исторических интерьеров на примере усадьбы Кузьминки (XVIII – начало XX в.). Усадебный комплекс Кузьминки, расположенный в юго-восточной части Москвы в районе Кузьминки на землях старинных сел Капотня и Кузьминки, является уникальным памятником архитектуры и усадебной культуры, история которого насчитывает более 300 лет. Данная усадьба первоначально являлась летней резиденцией баронов Строгановых и впоследствии перешла во владение князей Голицыных. В строительстве ее многочисленных построек участвовали такие знаменитые архитекторы, как М. Ф. Казаков (1780-е гг.), И. В. Еготов (1780-е и 1804-1808 гг.), А. Н. Воронихин (1807-1808 и 1811-1812 гг.), представители династии Жилярди (1807-1808, 1811-1815, 1824, 1830-1835 гг.) и М. Д. Быковский (с 1840-х). В данной работе впервые на примере реконструкции бального зала усадьбы Кузьминки продемонстрирован гибридный подход, сочетающий классическое 3D-моделирование (3ds Max, Corona Renderer) с нейросетевыми инструментами (Tripo AI, Prome AI, Midjourney): генерация 3D-модели по 2D-референсам, создание аутентичных текстур, интеграция объекта в виртуальное пространство. Актуальность исследования обусловлена необходимостью разработки эффективных методов воссоздания утраченных объектов культурного наследия с использованием современных технологий искусственного интеллекта. Автором данного исследования была впервые проведена апробация возможностей использования искусственных нейросетей в решении задач виртуальной реконструкции исторических усадебных интерьеров на примере усадьбы Кузьминки. Сравнение классических и нейросетевых методов показало, что нейросетевые методы открывают новые возможности для построения виртуальных 3D-реконструкций интерьера: они позволяют формировать иной, не уступающий традиционному моделированию, путь визуализации конкретных предметов обстановки помещений. При этом нейросеть выступает здесь как инструмент и виртуальный помощник, результат обращения к которому поддается контролю. Исследование подтвердило эффективность нейросетевых технологий как инструмента в реконструкции исторических интерьеров, что особенно ярко прослеживается на стыке применения классических инструментов моделирования и визуализации и нейросетей.

Об авторах

Татьяна Владимировна Маландина

Московский Государственный Университет им. М.В. Ломоносова

Email: malandinatanya@gmail.com
аспирант; кафедра Исторической информатики;

Список литературы

  1. LeCun, Y., Bengio, Y., Hinton, G. Deep learning // Nature. 2015. No. 521(7553). Pp. 436-444.
  2. Karras, T. Analyzing and Improving the Image Quality of StyleGAN // CVPR, 2020. Pp. 8110-8119.
  3. Qi, C. R. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation // CVPR, 2016. Pp. 1-9.
  4. Sharp, N. DiffusionNet: Discretization-Agnostic Learning on Surfaces // ACM TOG. 2022. Vol. 1, No. 1. Article 1. Pp. 1-16.
  5. Gatys, L. A. Image Style Transfer Using Convolutional Neural Networks // CVPR, 2016. Pp. 2414-2423.
  6. Münster, S. Digital Heritage and Virtual Archaeology: An Approach Through the Frame of Education / Mixed Reality and Gamification for Cultural Heritage. 2018. Pp. 3-26.
  7. Порецкий, Н. А. Село Влахернское, имение Князя С. М. Голицына. М.: Т-во Типо-Литографии И. М. Машистова, 1913.
  8. Маковский, С. К. Две Подмосковные князя С. М. Голицына // Старые годы. 1910. № 1. С. 24-37.
  9. Греч, А. Н. Венок усадьбам // Памятники Отечества. Альманах. 1994. № 3-4. С. 5-191.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).