Hacia un mejor agrupamiento no supervisado de pinturas coreanas del siglo XX mediante características multimodales

Detectando patrones en el arte moderno coreano

¿Y si un ordenador pudiera ayudarnos a entender en qué se parecen —o en qué difieren por completo— los pintores, solo observando sus obras? Este estudio emplea inteligencia artificial para examinar pinturas coreanas del siglo XX, revelando patrones ocultos en el color, la textura y el estilo. Para visitantes de museos, aficionados al arte y lectores curiosos, ofrece una nueva manera de ver cuán distintivos son los artistas y cómo sus obras se agrupan silenciosamente en familias de estilo sobre las que incluso los expertos a veces debaten.

Construyendo una colección de arte cuidadosamente seleccionada

Para dar al ordenador material significativo del que aprender, los investigadores reunieron primero una colección digital focalizada: 1.100 pinturas de once artistas coreanos modernos y contemporáneos importantes, desde paisajistas de tinta hasta pintores abstractos y realistas. Cada artista aportó 100 obras, recopiladas principalmente del Museo Nacional de Arte Moderno y Contemporáneo (MMCA) y otras instituciones y fundaciones de confianza. El grupo incluye figuras clave como pioneros del abstraccionismo, pintores realistas de la vida cotidiana, innovadores en la técnica de tinta y artistas que combinan tradiciones populares con expresiones modernas. Su presencia en exposiciones nacionales emblemáticas, incluida la conocida Colección Lee Kun-hee, ayudó a asegurar que el conjunto de datos reflejara el núcleo del arte coreano del siglo XX en lugar de una selección aleatoria de imágenes.

Traduciendo pinturas a números

Los ordenadores no pueden «ver» el arte como las personas, por lo que el equipo tradujo cada pintura a un conjunto de características numéricas. Capturaron información básica de color de dos formas diferentes (RGB y HSV), midieron patrones de textura de alta resolución usando un método llamado matriz de co-ocurrencia de niveles de gris, y añadieron una potente instantánea semántica procedente de un modelo visión–lenguaje preentrenado conocido como CLIP. CLIP fue entrenado originalmente con enormes cantidades de pares imagen–texto procedentes de internet, por lo que aporta una sensación amplia y consciente del lenguaje sobre cómo son las imágenes. Para cada pintura, estas cuatro corrientes—color, variación de color, textura e impresión semántica—se normalizaron y luego se combinaron en un único vector de características equilibrado, creando una huella compacta pero rica del carácter visual de la obra.

Dejando que los clústeres emerjan por sí solos

En lugar de decirle al ordenador a qué artista pertenecía cada pintura durante el entrenamiento, los investigadores emplearon un enfoque no supervisado: pidieron al algoritmo que agrupara por sí mismo las pinturas similares. Primero, una técnica llamada t-SNE redujo las huellas de alta dimensión a dos dimensiones para que se pudiera visualizar la estructura general. Luego, el agrupamiento K-means dividió las pinturas en muchos grupos pequeños, que posteriormente se refinaron para centrarse en los clústeres más significativos. Solo después de este proceso el equipo asignó nombres de artistas, usando una votación mayoritaria simple dentro de cada grupo, para comprobar cómo coincidían los clústeres con la autoría real. La mejor versión del método—mezclando por igual CLIP, color y textura—asoció correctamente las pinturas con sus autores en aproximadamente un 82% de los casos, superando a las versiones que dependían de indicios individuales como solo el color o solo la textura.

Lo que el ordenador vio en el color y la pincelada

Los resultados del agrupamiento no fueron solo cifras; produjeron relatos visuales reconocibles. Cuando el equipo trazó los clústeres, la mayoría de los artistas formaron islas de puntos compactas y bien separadas, cada isla poblada por obras representativas que compartían rasgos claros: paisajes monocromos de tinta con pinceladas delicadas, audaces abstracciones geométricas en colores primarios, o bodegones sobrios con composiciones estables y texturas repetidas. En artistas cuyo trabajo gira en torno a una paleta distintiva—como campos de color brillantes o armonías tonales específicas—los indicios de color simples ya funcionaban bastante bien. Para otros, como pintores de tinta o expresionistas con una pincelada dramática, la textura y la información semántica fueron cruciales. Las clasificaciones erróneas a menudo se dieron donde los expertos humanos también dudarían: pintores abstractos con composiciones similares o artistas que comparten líneas fluidas y elecciones de color solapadas. En estos casos, los errores se convirtieron en pistas sobre parentescos visuales genuinos entre distintos nombres.

De los datos a una comprensión más profunda del arte

Para los no especialistas, la conclusión clave es que un ordenador, mirando solo imágenes digitales, pudo recuperar gran parte de lo que los historiadores del arte ya saben sobre quién pintó qué—e incluso insinuar relaciones inesperadas. Al combinar color, textura e impresiones semánticas aprendidas, el marco ofrece una forma repetible y objetiva de agrupar y comparar obras de pintores modernos y contemporáneos coreanos. No sustituye el juicio humano ni el rico contexto cultural que aportan los expertos, pero proporciona un mapa cuantitativo que puede guiar la mirada hacia clústeres, zonas fronterizas y parientes visuales que merecen una inspección más detallada. De este modo, el aprendizaje automático se convierte en un nuevo compañero para curadores y espectadores, ayudándoles a navegar colecciones extensas y a descubrir cómo las múltiples voces del arte moderno coreano se entretejen en un paisaje visual complejo, pero analizable.

Cita: 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

Palabras clave: arte moderno coreano, inteligencia artificial, análisis de estilo pictórico, agrupamiento de imágenes, historia digital del arte