Verso un miglior clustering non supervisionato delle pitture coreane del XX secolo tramite caratteristiche multimodali

Individuare schemi nell'arte moderna coreana

E se un computer potesse aiutarci a capire in che modo i pittori sono simili — o completamente diversi — semplicemente guardando le loro opere? Questo studio utilizza l'intelligenza artificiale per esaminare le pitture coreane del ventesimo secolo, rivelando pattern nascosti nel colore, nella texture e nello stile. Per i visitatori dei musei, gli appassionati d'arte e i lettori curiosi, offre un nuovo modo di vedere quanto siano distintivi gli artisti e come le loro opere si raggruppino silenziosamente in famiglie di stile su cui anche gli esperti a volte discutono.

Costruire una collezione d'arte accuratamente selezionata

Per dare al computer qualcosa di significativo da imparare, i ricercatori hanno prima assemblato una collezione digitale mirata: 1.100 dipinti di undici importanti artisti moderni e contemporanei coreani, dagli paesaggisti a inchiostro agli astrattisti e ai realisti. Ogni artista ha fornito 100 opere, raccolte principalmente dal National Museum of Modern and Contemporary Art (MMCA) e da altre istituzioni e fondazioni affidabili. Il gruppo include figure chiave come pionieri dell'astrazione, pittori realisti della vita quotidiana, innovatori dell'acquarello a inchiostro e artisti che fondono tradizioni popolari con l'espressione moderna. La loro rilevanza in mostre nazionali di rilievo, inclusa la celebre Collezione Lee Kun-hee, ha contribuito a garantire che il dataset rifletta il nucleo dell'arte coreana del ventesimo secolo piuttosto che un assortimento casuale di immagini.

Trasformare i dipinti in numeri

I computer non possono «vedere» l'arte come le persone, quindi il team ha tradotto ogni dipinto in un insieme di caratteristiche numeriche. Hanno catturato informazioni di base sul colore in due modalità diverse (RGB e HSV), misurato pattern di texture a grana fine usando un metodo chiamato co-occorrenza di livelli di grigio e aggiunto un potente ritratto semantico da un modello visione–linguaggio preaddestrato noto come CLIP. CLIP è stato originariamente addestrato su enormi quantità di coppie immagine–testo provenienti da internet, quindi porta con sé una comprensione ampia e sensibile al linguaggio di come appaiono le immagini. Per ogni dipinto, questi quattro flussi — colore, variazione cromatica, texture e impressione semantica — sono stati normalizzati e poi combinati in un unico vettore di caratteristiche bilanciato, creando un'impronta compatta ma ricca del carattere visivo dell'opera.

Lasciare che i cluster emergano da soli

Invece di dire al computer a quale artista apparteneva ogni dipinto durante l'addestramento, i ricercatori hanno usato un approccio non supervisionato: hanno chiesto all'algoritmo di raggruppare autonomamente i dipinti simili. Prima, una tecnica chiamata t-SNE ha compresso le impronte ad alta dimensione in due dimensioni in modo che si potesse visualizzare la struttura complessiva. Poi il clustering K-means ha diviso i dipinti in molti piccoli gruppi, successivamente raffinati per concentrarsi sui cluster più significativi. Solo dopo questo processo il team ha assegnato i nomi degli artisti, usando un semplice voto di maggioranza all'interno di ogni gruppo, per verificare quanto i cluster si allineassero con la paternità reale. La versione migliore del metodo — che fonde in modo equilibrato CLIP, colore e texture — ha correttamente associato i dipinti ai loro artisti circa l'82% delle volte, superando le versioni basate su singoli indizi come solo il colore o solo la texture.

Ciò che il computer ha visto nel colore e nella pennellata

I risultati del clustering non sono stati solo numeri; hanno prodotto storie visive riconoscibili. Quando il team ha tracciato i cluster, la maggior parte degli artisti ha formato isole di punti compatte e ben separate, ciascuna riempita con opere rappresentative che condividevano tratti evidenti: paesaggi monocromatici a inchiostro con pennellate delicate, audaci astrazioni geometriche in colori primari, o nature morte sobrie con composizioni stabili e texture ricorrenti. Negli artisti il cui lavoro ruota attorno a una tavolozza distintiva — come campi di colore vivaci o specifiche armonie tonali — semplici indizi cromatici hanno già funzionato piuttosto bene. Per altri, come i pittori a inchiostro o gli espressionisti con pennellate drammatiche, texture e informazioni semantiche si sono rivelate cruciali. Le errate classificazioni si sono spesso verificate là dove anche gli esperti umani esitano: pittori astratti con composizioni simili o artisti che condividono linee fluide e scelte cromatiche sovrapposte. In questi casi, gli errori sono diventati indizi di autentiche parentela visive tra nomi diversi.

Dal dato a una comprensione più profonda dell'arte

Per i non specialisti, la conclusione chiave è che un computer, guardando solo immagini digitali, può recuperare gran parte di ciò che gli storici dell'arte già sanno su chi ha dipinto cosa — e persino suggerire relazioni inaspettate. Combinando colore, texture e impressioni semantiche apprese, il quadro offre un modo ripetibile e oggettivo per raggruppare e confrontare le opere di pittori moderni e contemporanei coreani. Non sostituisce il giudizio umano né il ricco contesto culturale che gli esperti apportano, ma fornisce una mappa quantitativa che può guidare lo sguardo verso cluster, zone di confine e «cugini» visivi che meritano uno sguardo più attento. In questo modo l'apprendimento automatico diventa un nuovo compagno per curatori e spettatori, aiutandoli a orientarsi nelle grandi collezioni e a scoprire come le molte voci dell'arte moderna coreana si intrecciano in un panorama visivo complesso ma analizzabile.

Citazione: 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

Parole chiave: arte moderna coreana, intelligenza artificiale, analisi dello stile pittorico, clusterizzazione di immagini, storia dell'arte digitale