Los marcos vacíos que cuelgan dentro del Museo Isabella Stewart Gardner sirven como un recordatorio tangible del mayor robo de arte sin resolver del mundo. Aunque las obras maestras originales quizá nunca se recuperen, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT podría ayudar con un nuevo sistema destinado a diseñar reproducciones de pinturas.
RePaint utiliza una combinación de impresión 3D y aprendizaje profundo para recrear con autenticidad pinturas favoritas, sin importar las diferentes condiciones de iluminación o ubicación. RePaint podría usarse para reproducir obras de arte para un hogar, proteger los originales del desgaste en los museos o incluso ayudar a las empresas a crear impresiones y postales de piezas históricas.
“Si simplemente reproduce el color de una pintura tal como se ve en la galería, podría verse diferente en su casa”, dice Changil Kim, uno de los autores de un nuevo artículo sobre el sistema, que se presentará en ACM SIGGRAPH Asia en diciembre. “Nuestro sistema funciona bajo cualquier condición de iluminación, lo que demuestra una capacidad de reproducción del color muy superior a casi cualquier otro trabajo anterior.”
Para probar RePaint, el equipo reprodujo varias pinturas al óleo creadas por un artista colaborador. El equipo descubrió que RePaint era más de cuatro veces más preciso que los modelos físicos de vanguardia a la hora de crear los tonos de color exactos de distintas obras de arte.
Por ahora, las reproducciones solo tienen aproximadamente el tamaño de una tarjeta de visita, debido a la naturaleza costosa en tiempo de la impresión. En el futuro, el equipo espera que las impresoras 3D comerciales más avanzadas puedan ayudar a fabricar pinturas más grandes de forma más eficiente.
Aunque las impresoras 2D se utilizan con mayor frecuencia para reproducir pinturas, tienen un conjunto fijo de solo cuatro tintas (cian, magenta, amarillo y negro). Los investigadores, sin embargo, encontraron una mejor manera de captar un espectro más completo de Degas y Dalí. Utilizaron una técnica especial que denominan “color-contoning”, que consiste en usar una impresora 3D y 10 tintas transparentes diferentes apiladas en capas muy finas, muy parecidas a las obleas y el chocolate de una barra Kit-Kat. Combinaron su método con una técnica de hace décadas llamada semitonos, en la que una imagen se crea mediante muchos puntos de color pequeños en lugar de tonos continuos. Según el equipo, la combinación de estos métodos captó mejor los matices de los colores.
Con una gama de colores más amplia con la que trabajar, seguía existiendo la cuestión de qué tintas usar para cada pintura. En lugar de recurrir a enfoques físicos más laboriosos, el equipo entrenó un modelo de aprendizaje profundo para predecir la combinación óptima de distintas tintas. Una vez que el sistema dominó esto, introdujeron imágenes de pinturas y usaron el modelo para determinar qué colores debían usarse en qué áreas concretas de cada pintura.
A pesar del progreso logrado hasta ahora, el equipo afirma que aún debe hacer algunas mejoras antes de poder crear una réplica deslumbrante de “La noche estrellada”. Por ejemplo, el ingeniero mecánico Mike Foshey señaló que no pudieron reproducir por completo ciertos colores, como el azul cobalto, debido a una biblioteca de tintas limitada. En el futuro planean ampliar esta biblioteca, así como crear un algoritmo específico para cada pintura que seleccione las tintas, afirma. También esperan lograr un mayor detalle para tener en cuenta aspectos como la textura de la superficie y el reflejo, de modo que puedan conseguir efectos específicos como acabados brillantes y mate.
“El valor del arte fino ha aumentado rápidamente en los últimos años, por lo que existe una mayor tendencia a que quede guardado en almacenes, lejos de la mirada del público”, dice Foshey. “Estamos desarrollando la tecnología para revertir esta tendencia y crear reproducciones económicas y precisas que todos puedan disfrutar.”
Kim y Foshey trabajaron en el sistema junto con el autor principal Liang Shi; el profesor del MIT Wojciech Matusik; el exinvestigador posdoctoral del MIT Vahid Babaei, actualmente líder de grupo en el Instituto Max Planck de Informática; el profesor de informática de la Universidad de Princeton Szymon Rusinkiewicz; y el exinvestigador posdoctoral del MIT Pitchaya Sitthi-Amorn, quien ahora es profesor en la Universidad Chulalongkorn de Bangkok, Tailandia.
Este trabajo cuenta con el apoyo parcial de la Fundación Nacional de Ciencias.
