Задача численного анализа эстетического содержания живописного текста

В статье анализируются возможности формального анализа композиции живописного произведения на основании классических определений понятия прекрасного и подходов вычислительной эстетики второй половины XX века. Статья носит характер постановки проблемы и отражает подход авторского коллектива к способу решения задачи формализации эстетического переживания в эстетике текста, т.е. в рамках анализа художественной композиции как формальной, упорядоченной в соответствии с системой синтаксических правил последовательности знаков. Методология определяется общей семиотикой, различающей семантику, синтаксис и прагматику знака; методами эстетического анализа, различающимися в зависимости от «эстетики авторского замысла», рецептивной эстетики и «эстетики текста»; методами компьютационистского анализа, связанными с нейросетевыми способами определения симметрии в изображениях. Рассматриваются предпосылки возникновения и современного состояния вычислительной эстетики как междисциплинарной отрасли знания. Анализ, проведенный с позиций как философско-эстетических и семиотических, так и сугубо технических, показал необходимость совершенствования методов вычислительной эстетики. Существующие методы, во-первых, не всегда дают возможность адекватно описать художественный объект, во-вторых, редуцируют эстетическое суждение, превращая его в суждение о внешних признаках предмета. Результат исследования выражен в тезисе о том, что усложнение текущих математических моделей и привлечение субъективных оценок экспертов позволит прийти к компромиссному решению, обеспечивающему развитие вычислительной эстетики как отрасли знания. Совершенствование математических моделей с учетом правил семиотики и субъективизма человеческого восприятия составляет актуальную задачу численного анализа эстетического живописного текста. Итоги исследования подтверждают классический тезис о невыводимости семантических и прагматических положений дел из синтактики. Делается вывод об актуальности задачи по поиску корреляций между извлекаемыми посредством нейросетевого моделирования осями и точками симметрии и эстетическим эффектом, сопровождающим восприятие живописного произведения классического искусства.

1. Альберти 1935 – Альберти Л.Б. Десять книг о зодчестве: в 2 т. Т. 1. – М.: Изд-во Всесоюзной академии архитектуры, 1935.

2. Волков 1977 – Волков Н.Н. Композиция в живописи. – М.: Искусство, 1977.

3. Выготский 1986 – Выготский Л.С. Психология искусства. – М.: Искусство, 1986.

4. Гегель 1968 – Гегель Г.В.Ф. Эстетика: в 4 т. Т. 1. – М.: Искусство, 1968.

5. Гегель 1973 – Гегель Г.В.Ф. Эстетика: в 4 т. Т. 4. – М.: Искусство, 1973.

6. Ингарден 1962 – Ингарден Р. Исследования по эстетике. – М.: Издательство иностранной литературы, 1962.

7. Кант 1994 – Кант И. Критика способности суждения. – М.: Искусство, 1994.

8. Мак-Уинни 2009 – Мак-Уинни Г. Обзор по эстетическим измерениям // Искусствометрия. Методы точных наук и семиотики. – М.: Либроком, 2009. C. 250–266.

9. Лосев 2000 – Лосев А.Ф. История античной эстетики. Итоги тысячелетнего развития: в 2 кн. Кн. 1. – М.: ACT, 2000.

10. Нестеров, Демина 2019 – Нестеров А.Ю., Демина А.И. Художественное произведение как технический объект // Миргород. 2019. № 1 (13). С. 48–74.

11. Шеллинг 1987 – Шеллинг Ф. Сочинения: в 2 т. Т. 1. – М.: Мысль, 1987.

12. Шеннон 1963 – Шеннон К.Э. Работы по теории информации и кибернетике. – М.: Изд-во иностранной литературы, 1963.

13. Якобсон 1921 – Якобсон Р. Новейшая русская поэзия. Набросок первый. – Прага: Политика, 1921.

14. Bense 1968 – Bense M. Einfuhrung in die Informationsasthetik // Kunst und Kybernetik. − Köln: DuMont, 1968. S. 28–41.

15. Birkhoff 1933 – Birkhoff G.D. Aesthetic Measure. – Cambridge: Harvard University Press, 1933.

16. Brachmann, Redies 2017 – Brachmann A., Redies C. Computational and Experimental Approaches to Visual Aesthetics // Frontiers in Computational Neuroscience. 2017. Vol. 11. Art. 102.

17. Cetinic et al. 2019 – Cetinic E., Lipic T., Grgic S. A Deep Learning Perspective on Beauty, Sentiment, and Remembrance of Art // IEEE Access. 2019. Vol. 7. P. 73694–73710.

18. Cupchik 1986 – Cupchik G.C. A Decade after Berlyne: New Directions in Experimental Aesthetics // Poetics. 1986. Vol. 15. P. 345–369.

19. Dhar et al. 2011 – Dhar S., Ordonez V., Berg T.L. High Level Describable Attributes for Predicting Aesthetics and Interestingness // Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. – Los Alamitos, CA: IEEE Computer Society, 2018. P. 1657–1664.

20. Ehsani et al. 2018 – Ehsani K., Bagherinezhad H., Redmon J., Mottaghi R., Farhadi A. Who Let The Dogs Out? Modeling Dog Behavior From Visual Data // Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Los Alamitos, CA: IEEE Computer Society, 2018. P. 4051–4060.

21. Fechner 1876 – Fechner G.T. Vorschule der Aesthetik. Vol. 1. – Leipzig: Breitkopf & Härtel, 1876.

22. Hegel 2003 – Hegel G.W.F. Vorlesungen über die Philosophie der Kunst (1823). – Hamburg: Felix Meiner, 2003.

23. Hoenig 2005 – Hoenig F. Defining Computational Aesthetics // Computational Aesthetics in Graphics, Visualization and Imaging / ed. By L. Neumann, M. Sbert, B. Gooch, W. Purgathofer. 2005. P. 13–18. – URL: https://diglib.eg.org/xmlui/bitstream/handle/10.2312/COMPAESTH.COMPAESTH05.013-018/013-018.pdf?sequence=1.

24. Kuznetsova et al. 2020 – Kuznetsova A., Rom H., Alldrin N., Uijlings J., Krasin I., Pont-Tuset J., Kamali S., Popov S., Malloci M., Kolesnikov A., Duerig T., Ferrari V. The Open Images Dataset V4: Unified Image Classification, Object Detection, and Visual Relationship Detection at Scale // International Journal on Computer Vision. 2020. Vol. 128. No. 7. P. 1956–1981.

25. Michaelsen, Vujasinovic 2019 – Michaelsen E., Vujasinovic S. Estimating Efforts and Success of Symmetry-Seeing Machines by Use of Synthetic Data // Symmetry. 2019. Vol. 11. No. 2. P. 1–16.

26. Talebi, Milanfar 2018 – Talebi H., Milanfar P. Nima: Neural Image Assessment // IEEE Transactions on Image Processing. 2018. Vol. 27. No. 8. P. 3998–4011.

27. Zhang et al. 2018 – Zhang R., Isola P., Efros A.A., Shechtman E., Wang O. The Unreasonable Effectiveness of Deep Features as a Perceptual Metric // Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – Los Alamitos, CA: IEEE Computer Society, 2018. P. 586–595.