Mot förbättrad osuperviserad klustring av 1900-talets koreanska målningar via multimodala egenskaper

Att se mönster i koreansk modern konst

Tänk om en dator kunde hjälpa oss att förstå hur målare liknar varandra — eller skiljer sig helt åt — bara genom att betrakta deras verk? Denna studie använder artificiell intelligens för att undersöka tjugonde århundradets koreanska målningar och avslöjar dolda mönster i färg, textur och stil. För museibesökare, konstälskare och nyfikna läsare erbjuder den ett nytt sätt att se hur distinkta konstnärer är och hur deras verk tyst bildar stilfamiljer som även experter ibland debatterar.

Att bygga en noggrant utvald konstsamling

För att ge datorn något meningsfullt att lära sig från satte forskarna först ihop en fokuserad digital samling: 1 100 målningar av elva framstående moderna och samtida koreanska konstnärer, från tuschlandskapsskildrare till abstrakta konstnärer och realister. Varje konstnär bidrog med 100 verk, samlade huvudsakligen från National Museum of Modern and Contemporary Art (MMCA) och andra betrodda institutioner och stiftelser. Gruppen inkluderar nyckelfigurer såsom abstrakta pionjärer, realistiska målare av vardagslivet, nytänkare inom tuschteknik och konstnärer som förenar folkliga traditioner med modernt uttryck. Deras framträdande i betydelsefulla nationella utställningar, inklusive den berömda Lee Kun-hee-kollektionen, hjälpte till att säkerställa att datasetet speglar kärnan i 1900-talets koreanska konst snarare än en slumpmässig blandning av bilder.

Att översätta målningar till siffror

Datorer kan inte ”se” konst som människor gör, så teamet översatte varje målning till en uppsättning numeriska egenskaper. De fångade grundläggande färginformation på två olika sätt (RGB och HSV), mätte finskaliga texturmönster med en metod kallad gray-level co-occurrence och lade till ett kraftfullt semantiskt ögonblick ur en förtränad vision–language-modell känd som CLIP. CLIP tränades ursprungligen på enorma mängder bild–text-par från internet, så den bär en bred, språkkänslig förståelse av hur bilder ser ut. För varje målning normaliserades dessa fyra strömmar — färg, färgvariation, textur och semantiskt intryck — och kombinerades sedan till en enda, balanserad funktionsvektor, vilket skapade ett kompakt men rikt fingeravtryck av verkets visuella karaktär.

Låta klustren framträda av sig själva

I stället för att tala om för datorn vilken målning som tillhörde vilken konstnär under träningen använde forskarna ett osuperviserat tillvägagångssätt: de bad algoritmen gruppera liknande målningar på egen hand. Först pressade en teknik kallad t-SNE de högdimensionella fingeravtrycken ner till två dimensioner så att den övergripande strukturen kunde visualiseras. Därefter delade K-means-klustring upp målningarna i många små grupper, som senare förfinades för att fokusera på de mest meningsfulla klustren. Först efter denna process fäste teamet konstnärsnamn, med enkel majoritetsomröstning inom varje grupp, för att kontrollera hur väl klustren överensstämde med verkligt författarskap. Den bästa versionen av metoden — som blandade CLIP, färg och textur jämnt — kopplade korrekt målningar till deras konstnärer i cirka 82 % av fallen och överträffade varianter som förlitade sig på enskilda ledtrådar som enbart färg eller enbart textur.

Vad datorn såg i färg och penselföring

Klustringsresultaten var inte bara siffror; de gav igenkännbara visuella berättelser. När teamet plottade klustren bildade de flesta konstnärer täta, välavgränsade öar av punkter, varje ö fylld av representativa verk som delade tydliga drag: monokroma tuschlandskap med fin penselföring, djärva geometriska abstraktioner i grundfärger eller lugna stilleben med stabil komposition och upprepade texturer. Hos konstnärer vars verk vilar på en signaturpalett — såsom klara färgfält eller specifika tonala harmonier — fungerade enkla färgleder redan ganska väl. För andra, som tuschmålare eller expressionister med dramatisk penselföring, var textur och semantisk information avgörande. Felklassificeringar uppstod ofta där även mänskliga experter skulle tveka: abstrakta konstnärer med liknande kompositioner eller konstnärer som delade flödande linjer och överlappande färgval. I dessa fall förvandlades misstag till ledtrådar om verkliga visuella släktskap över olika namn.

Från data till djupare konstförståelse

För icke-specialister är huvudpoängen att en dator, som bara ser digitala bilder, kunde återfinna mycket av det som konsthistoriker redan vet om vem som målade vad — och till och med antyda oväntade samband. Genom att kombinera färg, textur och inlärda semantiska intryck erbjuder ramen ett repeterbart, objektivt sätt att gruppera och jämföra verk av moderna och samtida koreanska målare. Den ersätter inte mänskligt omdöme eller den rika kulturella kontext som experter tillför, men den tillhandahåller en kvantitativ karta som kan styra blicken mot kluster, gränszoner och visuella släktingar värda en närmare titt. På så vis blir maskininlärning en ny följeslagare för kuratorer och betraktare och hjälper dem att navigera stora samlingar och upptäcka hur de många rösterna i koreansk modern konst vävs samman till ett komplext, men analyserbart, visuellt landskap.

Citering: 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

Nyckelord: koreansk modern konst, artificiell intelligens, analys av måleristilar, bildklustring, digital konsthistoria