Vers un meilleur regroupement non supervisé des peintures coréennes du XXe siècle via des caractéristiques multimodales

Voir des motifs dans l'art moderne coréen

Et si un ordinateur pouvait nous aider à comprendre en quoi des peintres se ressemblent — ou sont complètement différents — simplement en regardant leurs œuvres ? Cette étude utilise l'intelligence artificielle pour examiner les peintures coréennes du XXe siècle, révélant des motifs cachés dans la couleur, la texture et le style. Pour les visiteurs de musées, les amateurs d'art et les lecteurs curieux, elle offre une nouvelle manière de percevoir la singularité des artistes et la manière dont leurs œuvres se regroupent discrètement en familles de styles que même les spécialistes débattent parfois.

Constituer une collection d'art soigneusement choisie

Pour donner à l'ordinateur des données significatives à apprendre, les chercheurs ont d'abord assemblé une collection numérique ciblée : 1 100 peintures de onze artistes majeurs de la modernité et de la contemporanéité coréennes, allant de paysagistes à l'encre à des peintres abstraits et réalistes. Chaque artiste a contribué 100 œuvres, recueillies principalement auprès du Musée national d'art moderne et contemporain (MMCA) et d'autres institutions et fondations de confiance. Le groupe inclut des figures clés telles que des pionniers de l'abstraction, des peintres réalistes de la vie quotidienne, des innovateurs de l'encre et des artistes mêlant traditions populaires et expression moderne. Leur présence dans des expositions nationales emblématiques, y compris la célèbre Collection Lee Kun-hee, a aidé à garantir que l'ensemble de données reflète le cœur de l'art coréen du XXe siècle plutôt qu'un assortiment aléatoire d'images.

Traduire les peintures en nombres

Les ordinateurs ne peuvent pas « voir » l'art comme les humains, aussi l'équipe a-t-elle traduit chaque peinture en un ensemble de caractéristiques numériques. Ils ont capturé des informations colorimétriques de base de deux manières (RGB et HSV), mesuré des motifs de texture fins à l'aide d'une méthode appelée matrice de cooccurrence des niveaux de gris, et ajouté un puissant instantané sémantique provenant d'un modèle vision–langage préentraîné connu sous le nom de CLIP. CLIP a été entraîné à partir d'énormes quantités de paires image–texte issues d'internet, ce qui lui confère une compréhension large et sensible au langage de l'apparence des images. Pour chaque peinture, ces quatre flux — couleur, variation de couleur, texture et impression sémantique — ont été normalisés puis combinés en un vecteur de caractéristiques unique et équilibré, créant une empreinte compacte mais riche du caractère visuel de l'œuvre.

Laisser émerger les groupes par eux-mêmes

Plutôt que d'indiquer à l'ordinateur, pendant l'entraînement, à quel artiste appartenait chaque peinture, les chercheurs ont utilisé une approche non supervisée : ils ont demandé à l'algorithme de regrouper les peintures similaires de son propre chef. D'abord, une technique appelée t-SNE a compressé les empreintes de haute dimension en deux dimensions afin que la structure globale puisse être visualisée. Puis le regroupement K-means a divisé les peintures en de nombreux petits groupes, ensuite affinés pour se concentrer sur les clusters les plus significatifs. Ce n'est qu'après ce processus que l'équipe a rattaché des noms d'artistes, en utilisant un vote majoritaire simple au sein de chaque groupe, pour vérifier dans quelle mesure les clusters correspondaient à l'attribution réelle. La meilleure version de la méthode — mélangeant à parts égales CLIP, couleur et texture — a correctement associé les peintures à leurs artistes environ 82 % du temps, surpassant les versions qui s'appuyaient sur un seul signal comme la couleur ou la texture seule.

Ce que l'ordinateur a vu dans la couleur et le geste

Les résultats du regroupement n'étaient pas que des chiffres ; ils ont produit des histoires visuelles reconnaissables. Lorsque l'équipe a tracé les clusters, la plupart des artistes formaient des îlots serrés et bien séparés de points, chaque îlot contenant des œuvres représentatives partageant des traits évidents : paysages monochromes à l'encre au pinceau délicat, abstractions géométriques audacieuses aux couleurs primaires, ou natures mortes calmes aux compositions stables et textures récurrentes. Pour les artistes dont l'œuvre repose sur une palette distinctive — comme des champs de couleur vifs ou des harmonies tonales spécifiques — des indices colorimétriques simples suffisaient souvent. Pour d'autres, comme les peintres à l'encre ou les expressionnistes au geste dramatique, la texture et l'information sémantique se sont révélées cruciales. Les erreurs de classification se produisaient souvent là où les experts humains hésiteraient aussi : peintres abstraits aux compositions proches, ou artistes partageant lignes fluides et choix chromatiques chevauchants. Dans ces cas, les erreurs se sont transformées en indices sur de véritables affinités visuelles entre différents noms.

Des données à une compréhension plus profonde de l'art

Pour les non-spécialistes, l'idée principale est qu'un ordinateur, se basant uniquement sur des images numériques, peut retrouver une grande partie de ce que les historiens de l'art savent déjà sur qui a peint quoi — et même suggérer des relations inattendues. En combinant couleur, texture et impressions sémantiques apprises, le cadre propose une méthode répétable et objective pour regrouper et comparer des œuvres de peintres modernes et contemporains coréens. Il ne remplace pas le jugement humain ni le riche contexte culturel apporté par les experts, mais il fournit une carte quantitative pouvant guider le regard vers des clusters, des zones frontières et des « cousins visuels » méritant un examen plus approfondi. De cette manière, l'apprentissage automatique devient un nouveau compagnon pour conservateurs et spectateurs, les aidant à parcourir de grandes collections et à découvrir comment les nombreuses voix de l'art moderne coréen s'entrelacent en un paysage visuel complexe, mais analysable.

Citation: 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

Mots-clés: art moderne coréen, intelligence artificielle, analyse du style de peinture, regroupement d'images, histoire numérique de l'art