Auf dem Weg zu verbesserter unüberwachter Clusteranalyse koreanischer Gemälde des 20. Jahrhunderts mittels multimodaler Merkmale

Mustern in der koreanischen Moderne auf die Spur kommen

Was wäre, wenn ein Computer uns helfen könnte zu verstehen, wie Maler einander gleichen oder sich völlig unterscheiden, allein durch die Betrachtung ihrer Werke? Diese Studie nutzt künstliche Intelligenz, um Gemälde des zwanzigsten Jahrhunderts aus Korea zu untersuchen und verborgene Muster in Farbe, Textur und Stil aufzudecken. Für Museumsbesucher, Kunstliebhaber und neugierige Leser bietet sie eine neue Perspektive darauf, wie charakteristisch einzelne Künstler sind und wie sich ihre Arbeiten still in stilistische Familien gruppieren, über die sich selbst Expertinnen und Experten manchmal streiten.

Zusammenstellung einer sorgsam ausgewählten Kunstsammlung

Damit der Computer etwas Sinnvolles lernen konnte, stellten die Forschenden zunächst eine gezielte digitale Sammlung zusammen: 1.100 Gemälde von elf bedeutenden modernen und zeitgenössischen koreanischen Künstlern, von Tusche-Landschaftsmalern über Abstrakte bis zu Realisten. Jeder Künstler steuerte etwa 100 Werke bei, die überwiegend aus dem National Museum of Modern and Contemporary Art (MMCA) sowie anderen vertrauenswürdigen Institutionen und Stiftungen stammen. Die Gruppe umfasst Schlüsselfiguren wie Pioniere der Abstraktion, realistische Maler des Alltags, Innovatoren der Tuschetechnik und Künstler, die Volkstraditionen mit moderner Ausdrucksweise verbinden. Ihre Präsenz in wegweisenden nationalen Ausstellungen, darunter die berühmte Lee-Kun-hee-Sammlung, trug dazu bei, dass der Datensatz den Kern der koreanischen Kunst des zwanzigsten Jahrhunderts widerspiegelt und nicht nur eine zufällige Bildauswahl darstellt.

Gemälde in Zahlen übersetzen

Computer können Kunst nicht so „sehen“ wie Menschen, daher übersetzte das Team jedes Gemälde in ein Bündel numerischer Merkmale. Sie erfassten grundlegende Farbinformationen auf zwei Arten (RGB und HSV), maßen feinkörnige Texturmuster mit einer Methode namens Gray-Level Co-Occurrence und ergänzten dies durch einen starken semantischen Eindruck aus einem vortrainierten Vision–Language-Modell namens CLIP. CLIP wurde ursprünglich an riesigen Mengen von Bild‑Text-Paaren aus dem Internet trainiert und besitzt daher ein breites, sprachbewusstes Verständnis davon, wie Bilder aussehen. Für jedes Gemälde wurden diese vier Ströme—Farbe, Farbvariation, Textur und semantischer Eindruck—normalisiert und dann zu einem einzelnen, ausgewogenen Merkmalsvektor kombiniert, der einen kompakten, aber reichen Fingerabdruck des visuellen Charakters des Werks erzeugt.

Die Cluster selbst entstehen lassen

Anstatt dem Computer während des Trainings zu sagen, welches Gemälde zu welchem Künstler gehört, verwendeten die Forschenden einen unüberwachten Ansatz: Sie ließen den Algorithmus ähnliche Gemälde selbst gruppieren. Zuerst presste eine Technik namens t-SNE die hochdimensionalen Fingerprints auf zwei Dimensionen, damit die Gesamtstruktur visualisiert werden konnte. Anschließend teilte K‑means die Gemälde in viele kleine Gruppen, die später verfeinert wurden, um sich auf die aussagekräftigsten Cluster zu konzentrieren. Erst nach diesem Prozess ordnete das Team die Künstlernamen zu, mithilfe einfachen Mehrheitsentscheids innerhalb jeder Gruppe, um zu prüfen, wie gut die Cluster mit der tatsächlichen Autorschaft übereinstimmten. Die beste Version der Methode—eine gleichgewichtete Mischung aus CLIP, Farbe und Textur—ordnete Gemälde mit etwa 82 % Genauigkeit ihren Künstlern zu und übertraf damit Varianten, die sich nur auf einzelne Hinweise wie allein Farbe oder allein Textur stützten.

Was der Computer in Farbe und Pinselstrich sah

Die Clusterergebnisse waren nicht nur Zahlen; sie erzählten erkennbare visuelle Geschichten. Als das Team die Cluster darstellte, bildeten die meisten Künstler enge, gut getrennte Punktinseln, jede Insel gefüllt mit repräsentativen Werken, die klare Merkmale teilten: monochrome Tuschelandschaften mit feinem Pinselstrich, kräftige geometrische Abstraktionen in Primärfarben oder ruhige Stillleben mit stabiler Komposition und wiederkehrenden Texturen. Bei Künstlern, deren Werk stark von einer charakteristischen Palette geprägt ist—etwa leuchtende Farbflächen oder bestimmte Tonharmonien—reichten einfache Farbhinweise bereits gut aus. Bei anderen, etwa Tuschemalern oder Expressionisten mit dramatischem Pinselduktus, waren Textur- und semantische Informationen entscheidend. Fehlklassifikationen traten oft dort auf, wo auch Menschen zögern würden: abstrakte Maler mit ähnlichen Kompositionen oder Künstler, die fließende Linien und überlappende Farbwahl teilen. In solchen Fällen wurden Fehler zu Hinweisen auf echte visuelle Verwandtschaften über verschiedene Namen hinweg.

Von Daten zu einem tieferen Kunstverständnis

Für Nicht‑Spezialisten lautet die wichtigste Schlussfolgerung, dass ein Computer, der nur digitale Bilder betrachtet, vieles davon rekonstruieren kann, was Kunsthistorikerinnen und Kunsthistoriker bereits über die Urheberschaft wissen—und darüber hinaus auf unerwartete Beziehungen hinweisen kann. Durch die Kombination von Farbe, Textur und gelernten semantischen Eindrücken bietet das Framework eine wiederholbare, objektive Methode, Werke moderner und zeitgenössischer koreanischer Maler zu gruppieren und zu vergleichen. Es ersetzt weder menschliches Urteil noch den reichen kulturellen Kontext, den Expertinnen und Experten einbringen, liefert aber eine quantitative Karte, die das Auge zu Clustern, Grenzregionen und visuellen Verwandten führen kann, die eine nähere Betrachtung verdienen. Auf diese Weise wird maschinelles Lernen zum neuen Begleiter für Kuratorinnen, Kuratoren und Betrachter und hilft, große Sammlungen zu navigieren und zu entdecken, wie die vielen Stimmen der koreanischen Moderne sich zu einer komplexen, aber analysierbaren visuellen Landschaft verweben.

Zitation: Baek, S., Park, SJ., Park, SE. et al. Toward enhanced unsupervised clustering of 20th century Korean paintings via multimodal features. npj Herit. Sci. 14, 76 (2026). https://doi.org/10.1038/s40494-026-02304-1

Schlüsselwörter: Koreanische moderne Kunst, künstliche Intelligenz, Analyse von Malstilen, Bildclustering, digitale Kunstgeschichte