Naar verbeterde onbemande clustering van Koreaanse schilderijen uit de 20e eeuw via multimodale kenmerken

Patronen zien in Koreaanse moderne kunst

Stel dat een computer ons kan helpen begrijpen welke schilders op elkaar lijken — of juist heel verschillend zijn — alleen door naar hun werken te kijken. Deze studie gebruikt kunstmatige intelligentie om schilderijen uit de twintigste eeuw in Korea te onderzoeken en onthult verborgen patronen in kleur, textuur en stijl. Voor museumbezoekers, kunstliefhebbers en nieuwsgierige lezers biedt het een nieuwe manier om te zien hoe onderscheidend kunstenaars zijn en hoe hun werken stilletjes in stijlfamilies samenklonteren waarover zelfs deskundigen soms van mening verschillen.

Het zorgvuldig samenstellen van een kunstcollectie

Om de computer iets zinvols te laten leren, stelden de onderzoekers eerst een gerichte digitale collectie samen: 1.100 schilderijen van elf belangrijke moderne en hedendaagse Koreaanse kunstenaars, van ink-landschappers tot abstracte schilders en realisten. Elke kunstenaar leverde 100 werken, grotendeels verzameld uit het National Museum of Modern and Contemporary Art (MMCA) en andere betrouwbare instellingen en stichtingen. De groep bevat sleutelfiguren zoals pioniers van het abstracte, realistische schilders van het dagelijks leven, vernieuwers in ink-wash en kunstenaars die volks­tradities met moderne expressie mengen. Hun prominente aanwezigheid in belangrijke nationale tentoonstellingen, waaronder de beroemde Lee Kun-hee-collectie, droeg eraan bij dat de dataset het hart van de twintigste-eeuwse Koreaanse kunst weerspiegelt in plaats van een willekeurige verzameling beelden.

Schilderijen vertalen naar cijfers

Computers kunnen kunst niet “zien” zoals mensen dat doen, dus het team vertaalde elk schilderij naar een bundel numerieke kenmerken. Ze legden basiskleurinformatie vast op twee verschillende manieren (RGB en HSV), maten fijnmazige textuurpatronen met een methode die gray-level co-occurrence heet, en voegden een krachtige semantische indruk toe met een voorgetraind visueel-taalmodel dat bekendstaat als CLIP. CLIP is oorspronkelijk getraind op enorme aantallen beeld-tekstparen van het internet en draagt daardoor een brede, taalbewuste inschatting van hoe beelden eruitzien. Voor elk schilderij werden deze vier stromen — kleur, kleurvariatie, textuur en semantische indruk — genormaliseerd en vervolgens gecombineerd in één gebalanceerde featurevector, waardoor een compacte maar rijke vingerafdruk van het visuele karakter van het werk ontstond.

De clusters vanzelf laten ontstaan

In plaats van de computer tijdens het trainen te vertellen bij welke kunstenaar elk schilderij hoorde, gebruikten de onderzoekers een onbewaakte aanpak: ze vroegen het algoritme vergelijkbare schilderijen zelfstandig te groeperen. Eerst kneep een techniek genaamd t-SNE de hoogdimensionale vingerafdrukken terug naar twee dimensies zodat de algemene structuur gevisualiseerd kon worden. Daarna deelde K-means clustering de schilderijen in veel kleine groepen, later verfijnd om te focussen op de meest betekenisvolle clusters. Pas na dit proces koppelde het team artiestennamen, via eenvoudige meerderheidsstemming binnen elke groep, om te controleren hoe goed de clusters overeenkwamen met echte auteurschap. De beste versie van de methode — een gelijke mix van CLIP, kleur en textuur — koppelde schilderijen correct aan hun kunstenaars in ongeveer 82% van de gevallen, en presteerde dus beter dan versies die op één enkele aanwijzing zoals alleen kleur of alleen textuur vertrouwden.

Wat de computer zag in kleur en penseelvoering

De clusteringresultaten waren niet alleen cijfers; ze leverden herkenbare visuele verhalen op. Wanneer het team de clusters uittekende, vormden de meeste kunstenaars compacte, goed gescheiden eilanden van punten, elk gevuld met representatieve werken die duidelijke kenmerken deelden: monochrome ink-landschappen met delicate penseelvoering, gedurfde geometrische abstracties in primaire kleuren, of stillevens met rustige composities en terugkerende texturen. Bij kunstenaars waarvan het werk draait om een kenmerkend palet — zoals felle kleurvelden of specifieke tonale harmonieën — volstonden eenvoudige kleurkenmerken vaak al. Voor anderen, zoals ink-schilders of expressionisten met dramatische penseelvoering, waren textuur en semantische informatie cruciaal. Verkeerde classificaties traden vaak op waar ook menselijke experts zouden aarzelen: abstracte schilders met vergelijkbare composities, of kunstenaars die vloeiende lijnen en overlappende kleurkeuzes deelden. In zulke gevallen werden fouten aanwijzingen voor echte visuele verwantschappen tussen verschillende namen.

Van data naar dieper kunstbegrip

Voor niet-specialisten is de belangrijkste conclusie dat een computer, die alleen naar digitale afbeeldingen kijkt, veel kan terugwinnen van wat kunsthistorici al weten over wie wat heeft geschilderd — en zelfs kan wijzen op onverwachte verbanden. Door kleur, textuur en geleerde semantische indrukken te combineren, biedt het raamwerk een herhaalbare, objectieve manier om werken van moderne en hedendaagse Koreaanse schilders te groeperen en te vergelijken. Het vervangt niet het menselijke oordeel of de rijke culturele context die experts inbrengen, maar het levert een kwantitatieve kaart die het oog kan leiden naar clusters, grenszones en visuele verwanten die nader onderzoek verdienen. Op die manier wordt machine learning een nieuwe metgezel voor conservatoren en kijkers, die helpt grote collecties te navigeren en te ontdekken hoe de vele stemmen van de Koreaanse moderne kunst samenkomen in een complex, maar analyseerbaar, visueel landschap.

Bronvermelding: 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

Trefwoorden: Koreaanse moderne kunst, kunstmatige intelligentie, analyse van schilderstijl, beeldclustering, digitale kunstgeschiedenis