예술적 영향 자동 발견을 향한 연구

초록

본 논문은 방대한 디지털 회화 데이터를 대상으로 화풍 분류와 화가 간 영향 관계를 자동으로 탐색하는 방법을 제시한다. 스타일 분류에서는 판별형·생성형 모델과 저수준·중간수준·고수준 특징을 비교 평가하고, 고수준 의미론적 특징이 가장 우수함을 확인한다. 이후 회화 간 유사도와 화가 간 거리 측정 방식을 설계해 ‘화가 지도’를 시각화하고, 인용된 미술사적 사례와 일치하는 새로운 영향 관계를 발견한다.

상세 분석

이 연구는 미술사학에서 오래된 문제인 ‘어떤 화가가 누구에게 영향을 받았는가’를 컴퓨터 비전과 머신러닝 기법으로 정량화하려는 최초의 시도 중 하나이다. 저자는 먼저 66명의 화가, 1,710점의 고해상도 회화, 13가지 화풍을 포함한 자체 구축 데이터셋을 마련하고, 영향 관계 평가용으로 미술사가가 제시한 긍정적 영향 사례를 별도 수집하였다.

분류 단계에서는 두 차원의 비교를 수행한다. 첫 번째 차원은 모델의 성격을 판별형(예: SVM, 로지스틱 회귀)과 생성형(예: 나이브 베이즈, LDA)으로 나누어 성능을 측정하였다. 두 번째 차원은 특징의 추상화 수준을 저수준 색·텍스처·에지, 중간수준 SIFT·HOG와 고수준 의미론적 특징(예: 객체 검출 기반 ‘시맨틱 벡터’)으로 구분하였다. 실험 결과, 고수준 의미론적 특징을 사용한 판별형 모델이 7가지 화풍 중 평균 85% 이상의 정확도를 달성했으며, 이는 저수준·중간수준 특징을 이용한 모델보다 12~15% 높은 수치이다. 이러한 결과는 화풍 구분에 있어 색·질감보다 그림에 등장하는 구체적 객체(인물, 건축, 도구 등)의 의미적 구성이 더 결정적임을 시사한다.

다음으로 회화 간 유사도 측정 방식을 다섯 가지로 설계하였다. (1) 색·텍스처 기반 유클리드 거리, (2) SIFT/HOG 히스토그램 교차, (3) 시맨틱 벡터 코사인 유사도, (4) 복합 가중합(색·텍스처·시맨틱) 및 (5) 시간 가중치가 포함된 순방향 그래프 거리. 특히 시맨틱 코사인 유사도가 인간 전문가가 판단한 유사도와 가장 높은 상관관계를 보였으며, 시간 가중치를 적용하면 과거 화가가 미래 화가에게 영향을 미칠 수 없다는 역사적 제약을 자연스럽게 반영할 수 있었다.

화가 간 거리 정의는 개별 화가의 작품군 전체에 대한 평균 유사도와 최소·최대 유사도, 그리고 시간 차이를 결합한 복합 점수로 구현되었다. 이를 기반으로 다차원 스케일링(MDS)과 t‑SNE를 적용해 ‘화가 지도’를 시각화했으며, 지도 상에서 기존 미술사 문헌에 기록된 영향 관계(예: 베라스케스→프랜시스 베이컨, 바실리칸스키→피카소 등)가 군집 형태로 재현되는 것을 확인하였다.

또한, 자동 탐지된 새로운 영향 후보 사례를 정성적으로 검토한 결과, 예를 들어 프레데리크 바질레와 노먼 로크웰의 작품이 구성·주제 면에서 유사함을 발견했으며, 이는 기존 문헌에 없던 잠재적 연결 고리로 제시된다. 이러한 정성·정량 결합 평가를 통해 제안된 시스템이 미술사 연구에 새로운 탐색적 도구가 될 가능성을 입증한다.

마지막으로 논문은 현재 데이터셋 규모와 라벨링 한계, 부정적 영향 사례 부족 등 몇 가지 제약을 언급하고, 향후 대규모 멀티모달 데이터(텍스트 설명, 전시 기록 등)와 그래프 신경망 기반 관계 추론을 결합한 연구 방향을 제시한다. 전체적으로 이 연구는 미술 이미지 분석에 의미론적 특징과 시간 정보를 통합함으로써, 인간 전문가와 유사한 수준의 영향 탐지를 가능하게 하는 중요한 발판을 제공한다.