Multimodal özelliklerle 20. yüzyıl Kore resimlerinin denetimsiz kümelemesini geliştirmeye doğru

Kore Modern Sanatında Desenleri Görmek

Bir bilgisayar, yalnızca eserlerine bakarak ressamların birbirine ne kadar benzediğini—ya da tamamen farklı olduğunu—anlamamıza yardımcı olabilse ne olurdu? Bu çalışma, yirminci yüzyıl Kore resimlerini incelemek için yapay zekâyı kullanıyor ve renk, doku ve üslupta gizli kalmış desenleri ortaya çıkarıyor. Müze ziyaretçileri, sanat meraklıları ve meraklı okurlar için çalışmanın sunduğu yeni bakış, sanatçıların ne kadar ayırt edici olduğunu ve eserlerinin uzmanların bile bazen tartıştığı üslup aileleri halinde nasıl sessizce kümelendiğini gösteriyor.

Özenle Seçilmiş Bir Sanat Koleksiyonu Oluşturmak

Bilgisayara anlamlı bir şeyler öğretebilmek için araştırmacılar önce odaklı bir dijital koleksiyon derlediler: mürekkep peyzajcılardan soyut ressamlara ve gerçekçilere kadar on bir önemli modern ve çağdaş Kore sanatçısının 1.100 tablosu. Her sanatçı yaklaşık 100 eserle temsil edildi; bu eserlerin çoğu Ulusal Modern ve Çağdaş Sanat Müzesi (MMCA) ve diğer güvenilir kurum ve vakıflardan toplandı. Grup, soyut öncüler, gündelik yaşamı betimleyen realist ressamlar, mürekkep tekniğinde yenilikçiler ve halk geleneklerini modern ifade ile harmanlayan sanatçılar gibi kilit isimleri içeriyor. Lee Kun-hee Koleksiyonu da dahil olmak üzere önemli ulusal sergilerdeki öne çıkmış yer alma durumları, veri setinin yirminci yüzyıl Kore sanatının temelini rastgele bir görsel derlemeden ziyade daha doğru şekilde yansıtmasını sağlamaya yardımcı oldu.

Resimleri Sayılara Çevirmek

Bilgisayarlar insanlarla aynı şekilde sanatı “göremez”, bu yüzden ekip her tabloyu sayısal özellikler paketine dönüştürdü. Temel renk bilgilerini iki farklı biçimde (RGB ve HSV) yakaladılar, ince doku desenlerini gray-level co-occurrence adlı bir yöntemle ölçtüler ve CLIP olarak bilinen önceden eğitilmiş bir görsel-dil modeliyle güçlü bir anlamsal anlık görüntü eklediler. CLIP, internetten alınmış çok sayıda görüntü‑metin çiftinde eğitildiği için görüntülerin nasıl göründüğüne dair geniş, dil farkındalığına sahip bir anlayış taşır. Her tablo için bu dört akış—renk, renk değişimi, doku ve anlamsal izlenim—normalleştirildi ve ardından tek, dengeli bir özellik vektöründe birleştirilerek eserin görsel karakterinin kompakt ama zengin bir parmak izi oluşturuldu.

Kümelerin Kendi Kendine Ortaya Çıkmasına İzin Vermek

Ekip, eğitim sırasında bilgisayara hangi tablonun hangi sanatçıya ait olduğunu söylemek yerine denetimsiz bir yaklaşım kullandı: algoritmanın benzer tabloları kendi başına gruplamasını istedi. Önce t-SNE adlı bir teknik yüksek boyutlu parmak izlerini iki boyuta sıkarak genel yapının görselleştirilmesini sağladı. Ardından K-means kümeleme tabloları birçok küçük gruba böldü; daha sonra en anlamlı kümelere odaklanmak için bunlar rafine edildi. Bu sürecin ardından ekip, her grubun içindeki basit çoğunluk oylamasıyla sanatçı isimlerini iliştirerek kümelerin gerçek yazarlıkla ne ölçüde örtüştüğünü kontrol etti. Yöntemin en iyi versiyonu—CLIP, renk ve dokuyu eşit olarak harmanlayan—tabloları sanatçılarına yaklaşık %82 doğrulukla eşleştirdi ve yalnızca renk veya yalnızca doku gibi tek ipuçlarına dayanan sürümleri geride bıraktı.

Bilgisayarın Renkte ve Fırça İşçiliğinde Gördükleri

Kümeleme sonuçları sadece sayılardan ibaret değildi; tanınabilir görsel anlatılar üretti. Ekip kümeleri çizdiğinde, çoğu sanatçı sıkı, iyi ayrılmış nokta adacıkları oluşturdu; her adacığın içinde belirgin özellikleri paylaşan temsilî eserler vardı: narin fırça işiyle monokrom mürekkep peyzajlar, ana renklerde cesur geometrik soyutlamalar veya dengeli kompozisyonlar ve yineleyen dokulara sahip sakin natürmortlar. İşleri belirgin bir palete dayanan sanatçılarda—örneğin parlak renk alanları veya belirli ton harmonileri—basit renk ipuçları zaten oldukça iyi sonuç veriyordu. Mürekkep ressamları veya dramatik fırça darbeleri olan ekspresyonistler gibi diğerleri için doku ve anlamsal bilgi çok önemliydi. Yanlış sınıflandırmalar genellikle insan uzmanların da tereddüt edeceği noktalarda ortaya çıktı: benzer kompozisyonlara sahip soyut ressamlar ya da akışkan çizgiler ve örtüşen renk tercihleri paylaşan sanatçılar gibi. Bu durumlarda, hatalar farklı isimler arasındaki gerçek görsel yakınlıklara dair ipuçlarına dönüştü.

Veriden Daha Derin Sanat Anlayışına

Uzman olmayanlar için temel çıkarım şudur: yalnızca dijital görüntülere bakarak bir bilgisayar, sanat tarihçilerinin kimin ne yaptığını bildikleri şeyin büyük bir kısmını yeniden oluşturabiliyor—hatta beklenmedik ilişkiler hakkında ipuçları verebiliyor. Renk, doku ve öğrenilmiş anlamsal izlenimleri birleştirerek çerçeve, modern ve çağdaş Kore ressamlarının eserlerini gruplamak ve karşılaştırmak için tekrarlanabilir, nesnel bir yol sunuyor. Bu, insan yargısını veya uzmanların getirdiği zengin kültürel bağlamı yerine koymaz, ancak gözü kümelere, sınır bölgelerine ve daha yakından bakmaya değer görsel akrabalıklara yönlendirebilecek nicel bir harita sağlar. Bu yolla makine öğrenimi, küratörler ve izleyiciler için büyük koleksiyonlarda gezinmelerine ve Kore modern sanatının çok sayıda sesinin nasıl karmaşık ama analiz edilebilir bir görsel manzara içinde örüldüğünü keşfetmelerine yardımcı olan yeni bir yol arkadaşı haline geliyor.

Atıf: 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

Anahtar kelimeler: Güney Kore modern sanatı, yapay zeka, resim üslubu analizi, görüntü kümeleme, dijital sanat tarihi