Rumo a um aprimoramento do agrupamento não supervisionado de pinturas coreanas do século XX via recursos multimodais

Enxergando Padrões na Arte Moderna Coreana

E se um computador pudesse nos ajudar a entender em que pintores são semelhantes — ou completamente diferentes — apenas olhando suas obras? Este estudo usa inteligência artificial para examinar pinturas coreanas do século XX, revelando padrões ocultos em cor, textura e estilo. Para visitantes de museus, amantes da arte e leitores curiosos, oferece uma nova maneira de ver o quão distintivos são os artistas e como suas obras se agrupam silenciosamente em famílias de estilo que até especialistas às vezes discutem.

Construindo uma Coleção de Arte Cuidadosamente Escolhida

Para dar ao computador algo significativo de que aprender, os pesquisadores primeiro reuniram uma coleção digital focada: 1.100 pinturas de onze importantes artistas modernos e contemporâneos coreanos, desde paisagistas a tinta até pintores abstratos e realistas. Cada artista contribuiu com 100 obras, coletadas principalmente no Museu Nacional de Arte Moderna e Contemporânea (MMCA) e em outras instituições e fundações confiáveis. O grupo inclui figuras-chave como pioneiros do abstrato, pintores realistas da vida cotidiana, inovadores na pintura a tinta e artistas que mesclam tradições populares com expressão moderna. Sua proeminência em exposições nacionais de destaque, incluindo a famosa Coleção Lee Kun-hee, ajudou a garantir que o conjunto de dados reflita o núcleo da arte coreana do século XX, em vez de um amontoado aleatório de imagens.

Traduzindo Pinturas em Números

Computadores não podem “ver” arte como as pessoas, então a equipe traduziu cada pintura em um conjunto de características numéricas. Capturaram informações básicas de cor de duas maneiras diferentes (RGB e HSV), mediram padrões de textura finos usando um método chamado matriz de coocorrência de níveis de cinza e acrescentaram um instantâneo semântico poderoso de um modelo visão–linguagem pré-treinado conhecido como CLIP. O CLIP foi originalmente treinado em grande número de pares imagem–texto da internet, por isso traz uma noção ampla e sensível à linguagem sobre a aparência das imagens. Para cada pintura, essas quatro correntes — cor, variação de cor, textura e impressão semântica — foram normalizadas e então combinadas em um único vetor de características balanceado, criando uma impressão digital compacta, porém rica, do caráter visual da obra.

Deixando os Agrupamentos Surgirem por Conta Própria

Em vez de dizer ao computador a qual artista cada pintura pertencia durante o treinamento, os pesquisadores usaram uma abordagem não supervisionada: pediram ao algoritmo que agrupasse pinturas semelhantes por conta própria. Primeiro, uma técnica chamada t-SNE comprimiu as impressões digitais de alta dimensão para duas dimensões para que a estrutura geral pudesse ser visualizada. Então o K-means dividiu as pinturas em muitos pequenos grupos, posteriormente refinados para se concentrar nos agrupamentos mais significativos. Só após esse processo a equipe associou nomes de artistas, usando votação majoritária simples dentro de cada grupo, para verificar o quanto os agrupamentos correspondiam à autoria real. A melhor versão do método — misturando igualmente CLIP, cor e textura — acertou a associação de pinturas aos seus artistas em cerca de 82% das vezes, superando versões que dependiam de pistas únicas, como apenas cor ou apenas textura.

O que o Computador Viu em Cor e Pincelada

Os resultados do agrupamento não foram apenas números; produziram histórias visuais reconhecíveis. Quando a equipe plotou os agrupamentos, a maioria dos artistas formou ilhas de pontos compactas e bem separadas, cada ilha preenchida com obras representativas que compartilhavam traços claros: paisagens monocromáticas a tinta com pinceladas delicadas, abstratos geométricos ousados em cores primárias ou naturezas-mortas silenciosas com composições estáveis e texturas repetidas. Em artistas cujo trabalho gira em torno de uma paleta assinatura — como campos de cor vibrantes ou harmonias tonais específicas — pistas simples de cor já funcionaram muito bem. Para outros, como pintores a tinta ou expressionistas com pinceladas dramáticas, textura e informação semântica foram cruciais. As classificações errôneas ocorreram frequentemente onde especialistas humanos também hesitariam: pintores abstratos com composições semelhantes ou artistas que compartilham traços fluidos e escolhas de cor sobrepostas. Nesses casos, os erros se transformaram em pistas sobre parentescos visuais genuínos entre nomes diferentes.

Dos Dados para uma Compreensão Mais Profunda da Arte

Para não especialistas, a conclusão principal é que um computador, olhando apenas para imagens digitais, pôde recuperar grande parte do que historiadores da arte já sabem sobre quem pintou o quê — e até sugerir relacionamentos inesperados. Ao combinar cor, textura e impressões semânticas aprendidas, a estrutura oferece uma maneira repetível e objetiva de agrupar e comparar obras de pintores modernos e contemporâneos coreanos. Não substitui o julgamento humano nem o rico contexto cultural que os especialistas trazem, mas fornece um mapa quantitativo que pode guiar o olhar para agrupamentos, zonas de fronteira e “primos” visuais que merecem uma atenção mais próxima. Assim, o aprendizado de máquina se torna um novo companheiro para curadores e espectadores, ajudando-os a navegar por grandes coleções e a descobrir como as muitas vozes da arte moderna coreana se entrelaçam em uma paisagem visual complexa, mas possível de analisar.

Citação: 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

Palavras-chave: arte moderna coreana, inteligência artificial, análise de estilo de pintura, agrupamento de imagens, história da arte digital