Искусственный интеллект и дезинформация в искусстве: могут ли модели обработки визуального языка определить руку художника или машину за холстом?

Artificial Intelligence and Misinformation in Art: Can Vision Language Models Judge the Hand or the Machine Behind the Canvas?

August 2, 2025

Авторы: Tarian Fu, Javier Conde, Gonzalo Martínez, Pedro Reviriego, Elena Merino-Gómez, Fernando Moral

cs.AI

Аннотация

Атрибуция произведений искусства в целом и картин в частности всегда была сложной задачей в искусстве. Появление мощных моделей искусственного интеллекта, способных генерировать и анализировать изображения, создает новые вызовы для атрибуции картин. С одной стороны, модели ИИ могут создавать изображения, имитирующие стиль художника, которые могут быть ошибочно приписаны, например, другими моделями ИИ. С другой стороны, модели ИИ могут неверно определять автора реальных картин, что приводит к ошибочной атрибуции со стороны пользователей. В данной статье обе проблемы исследуются экспериментально с использованием современных моделей ИИ для генерации и анализа изображений на большом наборе данных, содержащем около 40 000 картин 128 художников. Результаты показывают, что модели обработки визуальной информации и языка (VLMs) обладают ограниченными возможностями в: 1) выполнении атрибуции картин и 2) идентификации изображений, созданных ИИ. Поскольку пользователи все чаще полагаются на запросы к моделям ИИ для получения информации, эти результаты демонстрируют необходимость улучшения возможностей VLMs для надежного выполнения атрибуции художников и обнаружения изображений, созданных ИИ, чтобы предотвратить распространение неверной информации.

English

The attribution of artworks in general and of paintings in particular has always been an issue in art. The advent of powerful artificial intelligence models that can generate and analyze images creates new challenges for painting attribution. On the one hand, AI models can create images that mimic the style of a painter, which can be incorrectly attributed, for example, by other AI models. On the other hand, AI models may not be able to correctly identify the artist for real paintings, inducing users to incorrectly attribute paintings. In this paper, both problems are experimentally studied using state-of-the-art AI models for image generation and analysis on a large dataset with close to 40,000 paintings from 128 artists. The results show that vision language models have limited capabilities to: 1) perform canvas attribution and 2) to identify AI generated images. As users increasingly rely on queries to AI models to get information, these results show the need to improve the capabilities of VLMs to reliably perform artist attribution and detection of AI generated images to prevent the spread of incorrect information.