붓질 매핑 AI로 엘 그레코 걸작들을 감정했더니...

by 폴 아놀드Paul Arnold, Phys.org

PATCH 알고리즘을 이용해 분석한 두 점의 역사적인 그림. 이미지 출처: <세례The Baptism>와 <십자가에 못 박힌 그리스도Christ on the Cross>는 각각 위키미디어 커먼즈와 클리블랜드 미술관에서 제공한 퍼블릭 도메인 이미지다.

 
스페인 르네상스 시대 거장 엘 그레코El Greco는 역사상 가장 위대한 화가 중 한 명으로 꼽히며, 그의 작품은 전 세계 미술관에 전시되어 있다.

미술사학자들은 일반적으로 그의 작품 <그리스도의 세례The Baptism of Christ>가 1614년 그가 사망했을 당시 미완성 상태였고, 그의 아들 호르헤 마누엘Jorge Manuel이 완성했다고 여긴다.

그러나 AI를 활용한 새로운 연구는 엘 그레코가 작품 완성에 생각보다 더 많은 역할을 했을 가능성을 시사한다.

엘 그레코는 다른 유명 화가들처럼 숙련된 제자들을 고용하여 의뢰받은 작품을 그렸다.

이는 현대 AI 기술이 걸작의 어느 부분을 누가 그렸는지 판별하는 데 어려움을 야기한다.

여러 화가가 한 캔버스에 다양한 스타일을 표현했을 경우, 일반적으로 AI 모델을 학습시키려면 알려진 예시들을 모아놓은 참조 라이브러리가 필요하기 때문이다.

하지만 과학자들은 PATCH(pairwise assignment training for classifying heterogeneity, 이질성 분류를 위한 쌍대 할당 훈련)라는 새로운 기술을 개발해 이 문제를 해결했다고 Science Advances에 발표한 논문에서 밝혔다.

미술품 감정가를 위한 새로운 도구

PATCH는 먼저 고해상도 3D 이미징 기술로 그림 표면을 스캔해 물감 질감의 매우 상세한 지도를 생성한다.

이 기술은 화가의 붓이 남긴 미세한 능선과 골짜기를 포착한다.

엘 그레코 그림들에 대한 PATCH 분석 결과. 출처: Van Horn 외, Sci. Adv. 12, eaea0485. 이미지 출처: 그림 이미지는 Wikimedia Commons에서 제공한 공개 도메인 이미지다.

그런 다음 연구진은 합성곱 신경망이라는 AI 유형을 사용해 1cm 정사각형 크기 두 패치를 비교했다.

PATCH가 패치들을 구별할 수 있다면, 서로 다른 작가 작품일 가능성이 높다.

반대로 구별에 어려움을 겪는다면, 동일한 작가 작품일 가능성이 더 높다.

스캔 영역 크기에 따라 PATCH는 수백 개 패치를 비교할 수 있다.

연구진은 논문에서 "PATCH는 '정답' 데이터가 부족한 이러한 복잡한 쌍대 비교 문제에서 통계적 방법과 비지도 학습 방법보다 뛰어난 성능을 보인다"고 밝혔다.

연구팀은 9명 학생이 그린 25점 그림에 자신들의 기술을 적용하여 인공지능이 서로 다른 화풍을 정확하게 구분할 수 있음을 입증했다.

그다음, 엘 그레코 작품인 <그리스도의 세례>와 <풍경을 곁들인 십자가에 못 박힌 그리스도Christ on the Cross with Landscape>(엘 그레코 자신이 대부분 완성한 것으로 널리 알려져 있음)에 PATCH를 적용했다. 

분석 결과, 두 그림 모두 엘 그레코 화풍이 대체로 일관되게 사용된 것으로 나타났다.

 

엘 그레코의 <풍경을 곁들인 십자가에 못 박힌 그리스도>에 대한 PATCH 분석 결과. 출처: Science Advances (2026). DOI: 10.1126/sciadv.aea0485, 그림 이미지는 클리블랜드 미술관 제공, 퍼블릭 도메인 유용한 도구

 
연구진은 PATCH 분석 결과가 결정적이라고 주장하지는 않는다.

그림 손상이나 노후화 등으로 시스템에 한계가 있을 수 있으며, 엘 그레코 제자들이 그의 화풍을 매우 능숙하게 모방했을 경우 인공지능이 그들의 화풍을 구분하지 못할 수도 있다.

그럼에도 연구 저자들은 자신들의 연구가 이 미스터리를 푸는 데 귀중한 기여를 할 것이라고 믿는다.

연구 저자들은 "작품 중 하나에 대한 우리의 연구 결과는 엘 그레코 사후 작업실 구성원들이 그림 상당 부분을 완성했다는 기존 연구들에 이의를 제기할 가능성이 있다"고 밝혔다.
 

분석 원리. Overview of the first phase of the PATCH method. (A) Paint height data are gathered using optical profilometry, and two regions are chosen for comparison. Each region corresponds to an entire painting in the case of the student experiment, or a portion of a historical workshop painting, for example, the ones from El Greco’s The Baptism shown here. The height values are encoded in a 16-bit image file, which is subsequently divided into 1 cm–by–1 cm patches. (B and C) A CNN is repeatedly trained to sort patches of two images, recording its accuracy as a percentage of patches correctly sorted from the test set. This distribution of observed accuracies is compared to the random assignment distribution (RAD) of accuracies if the patches were sorted at random. If the observed accuracy is no better than the RAD accuracy, then the images were likely painted by the same artist, whereas if the observed accuracy is better than expected by chance, the images were likely painted by different artists. Image credit: painting images courtesy of Wikimedia Commons, public domain.

Publication details
Andrew Van Horn et al, PATCH: A deep learning method to assess heterogeneity of artistic practice in historical paintings, Science Advances (2026). DOI: 10.1126/sciadv.aea0485 

Journal information: Science Advances