Please use this identifier to cite or link to this item:
https://hdl.handle.net/10216/176303| Author(s): | Ana Sofia Ferreira Azevedo |
| Title: | Deep Learning-based Attribution and Forgery Detection in Fine Art Paintings |
| Issue Date: | 2026-07-23 |
| Abstract: | The attribution of authorship and detection of forgeries in fine art paintings are longstanding challenges in art history, traditionally relying on expert knowledge, stylistic analysis, and material examination. However, these approaches are often subjective, time-consuming, and difficult to scale. Recent advances in artificial intelligence, particularly in deep learning and computer vision, provide new opportunities for analyzing artworks in a systematic and reproducible manner despite challenges such as limited verified data, stylistic similarity between artists, and the difficulty of capturing subtle visual characteristics such as brushstroke patterns, texture, and composition. This work investigates the use of deep learning techniques for authorship attribution and forgery detection using digital images of paintings. In contrast to traditional computational approaches based primarily on handcrafted descriptors or single-model classification, the proposed methodology explores the complementary strengths of convolutional neural networks and vision transformers to capture both local stylistic details and global compositional structure. The study further evaluates multi-scale patch extraction, frequency-domain representations, and contrastive learning strategies to address challenges associated with limited datasets, digitization variability, and visually convincing forgeries. A curated dataset was constructed to evaluate the proposed framework. Preliminary experimental results indicate strong performance in both attribution and authenticity analysis, achieving 91% accuracy in multi-artist attribution and 88% accuracy in forgery detection on held-out paintings. The findings suggest that combining spatial and frequency-aware representations enables the models to capture meaningful stylistic characteristics associated with artistic technique and authenticity. Overall, this work highlights the potential of deep learning as a scalable, non-invasive tool for computational art analysis and cultural heritage preservation. |
| Description: | Tradicionalmente, a autenticação e a atribuição de autoria de obras de arte baseavam-se no conhecimento de especialistas e na análise científica dos materiais utilizados na sua realização. No entanto, estas abordagens são frequentemente subjetivas, demoradas e difíceis de escalar. Os avanços recentes na inteligência artificial, em particular na aprendizagem profunda (deep learning) e na visão por computador (computer vision), oferecem novas oportunidades para analisar obras de arte de forma sistemática e reprodutível, apesar de desafios como a disponibilidade limitada de dados verificados, a proximidade estilística entre artistas e a dificuldade em captar características visuais subtis, como padrões de pincelada, textura e composição. Em contraste com abordagens computacionais tradicionais baseadas principalmente em descritores construídos manualmente ou em modelos de classificação únicos, a metodologia proposta explora as capacidades complementares das redes neuronais convolucionais (Convolutional Neural Networks - CNNs) e dos Vision Transformers para captar simultaneamente detalhes estilísticos locais e a estrutura composicional global. Este estudo avalia ainda estratégias de extração de patches multi-escala, representações no domínio da frequência e aprendizagem contrastiva (contrastive learning) para responder aos desafios associados a conjuntos de dados limitados, variabilidade na digitalização e falsificações visualmente convincentes. Para este efeito, foi construído um conjunto de dados curado para avaliar a metodologia proposta. Os resultados experimentais indicam um desempenho sólido tanto na atribuição de autoria como na análise de autenticidade, atingindo uma accuracy de 91% na atribuição multiartista e de 88% na deteção de falsificações em pinturas do conjunto de teste. Os resultados sugerem que a combinação de representações espaciais e sensíveis à frequência permite aos modelos captar características estilísticas relevantes associadas à técnica artística e à autenticidade. De forma geral, este trabalho evidencia o potencial do deep learning como uma ferramenta escalável e não invasiva para a análise computacional de obras de arte e para a preservação do património cultural. |
| Subject: | Engenharia electrotécnica, electrónica e informática Electrical engineering, Electronic engineering, Information engineering |
| Scientific areas: | Ciências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática Engineering and technology::Electrical engineering, Electronic engineering, Information engineering |
| URI: | https://hdl.handle.net/10216/176303 |
| Document Type: | Dissertação |
| Rights: | openAccess |
| Appears in Collections: | FEUP - Dissertação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 788042.pdf | Deep Learning-based Attribution and Forgery Detection in Fine Art Paintings | 91.97 MB | Adobe PDF |  View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.