Apprentissage automatique pour les sciences de la conservation

en collaboration avec S. Cohen, S. Alao (thèse 2022–) et P. Hélou-de la Grandière

Le vieillissement des œuvres d’art est inévitable, mais la lumière, l’humidité, les polluants, les transports ou des restaurations inappropriées peuvent l’accélérer, et les musées de France doivent régulièrement établir l’état de conservation de leurs collections. Les informations nécessaires pour anticiper ces altérations sont dispersées entre constats d’état, rapports d’intervention et archives, hétérogènes et très incomplètes.

Un système d’information sur le cycle de vie des peintures

Avec S. Alao (thèse 2022–) et P. Hélou-de la Grandière, dans le cadre du projet M(IA)² (méthodes d’intelligence artificielle pour l’imputation des altérations), nous avons structuré la base NOIRœS, qui rassemble constats d’état, rapports d’intervention et historique des expositions, des transports et du stockage des peintures, d’abord pour les œuvres de Pierre Soulages, complétées par la documentation du C2RMF. Des outils d’extraction automatique d’informations dans des documents numérisés ou au format PDF alimentent cette base.

Modèles stochastiques du vieillissement

Avec S. Alao et S. Cohen (IPANEMA), nous modélisons le vieillissement d’une peinture par un processus de Markov portant sur deux grandeurs, sa fragilité et son état esthétique, dont l’évolution dépend des conditions de stockage et des transports. Les paramètres, ainsi que la fragilité lorsqu’elle n’est pas observée, sont estimés par un algorithme alterné combinant MCMC, SAEM et descente de gradient, évalué sur des données simulées construites à partir de données réelles avec une part croissante d’informations manquantes (Expériences partagées 2026). L’objectif est un outil d’aide à la décision qui estime l’état probable d’œuvres peu documentées et simule le risque d’altérations futures, par exemple avant un transport.

Travaux antérieurs en imagerie hyperspectrale

Ce thème prolonge une collaboration plus ancienne avec S. Cohen sur la segmentation non supervisée d’images hyperspectrales de matériaux anciens acquises à IPANEMA, fondée sur des modèles de mélange gaussien (voir classification par modèles de mélange).

Publications