Vol. 14 No. 98 (2026)
2026/1

Research Article

Anatolian Motifs in AI Image Generation: Comparing Online and Local Models

Published 2026-03-31

Cilt 14 Sayı 98 kapak

Öz

Yapay Zekâ ile Görsel Üretimde Anadolu Motifleri: Çevrimiçi ve Yerel Modellerin Karşılaştırılması

Bu araştırmanın amacı, Anadolu motiflerinden oluşturulan 20 görsellik bir veri setiyle Stable Diffusion 1.5 üzerinde eğitilen yerel bir LoRA modelinin ve çevrimiçi görsel üretken yapay zekâ araçlarının aynı metinsel istemlere verdiği görselleri karşılaştırarak Anadolu motiflerinin bu görsellerde nasıl yansıtıldığını ortaya koymaktır. Araştırmada karşılaştırmalı görsel analiz yöntemi kullanılmıştır. LoRA modeli, DeepBooru ile etiketlenen görseller üzerinde DreamBooth yöntemiyle eğitilmiş ve ComfyUI tabanlı yerel iş akışında farklı checkpoint’ler ve ek LoRA’larla birlikte çalıştırılmıştır. Sekiz istemle yerel iş akışında 120, sekiz çevrimiçi araçla 120 olmak üzere toplam 240 görsel üretilmiş; bunlar arasından seçilen sekiz görsel, giysi tasarımı, figürlü kompozisyon, seramik ve anime üslubu konulu dört çift hâlinde motif doğruluğu, biçimsel tutarlılık ve kültürel kimlik temsili açısından incelenmiştir. İncelenen yerel örneklerde motiflerin geometrik yapısı ve yüzeydeki tekrarları daha belirgin biçimde yansıtılmış, buna karşılık bazı çevrimiçi örnekler istemdeki teknik, nesne ve arka plan öğelerini daha yakından karşılamıştır. Seramik örneğinde yerel görselde Kütahya seramiği motiflerine doğrudan bir yakınlık gözlemlenmemiştir. Bulgular seçilmiş örneklere ve yerel iş akışının bütününe dayanmakla birlikte, Anadolu motiflerinden oluşturulan yerel veri setlerinin geliştirilmesinin ve eğitilen modellerin yeni medya üretiminde kullanılmasının önemine işaret etmektedir.

Anahtar Kelimeler Yapay Zekâ, Yeni Medya Sanatı, Anadolu Motifleri, LoRA Eğitimi, Metinden Görsele Üretim

Abstract

This study aims to compare the images produced by a local LoRA model, trained on Stable Diffusion 1.5 with a dataset of twenty images containing Anatolian motifs, and by online visual generative artificial intelligence tools in response to the same textual prompts, and thereby to show how Anatolian motifs are reflected in these images. A comparative visual analysis method was used. The LoRA model was trained with the DreamBooth method on images tagged with DeepBooru and was run in a ComfyUI-based local workflow together with different checkpoints and additional LoRAs. Eight prompts yielded 120 images in the local workflow and 120 images with eight online tools, 240 in total; eight selected images were examined as four pairs on clothing design, figurative composition, ceramics, and anime style in terms of motif accuracy, formal consistency, and representation of cultural identity. In the local examples examined, the geometric structure and surface repetition of the motifs were reflected more distinctly, whereas some online examples met the technique, object, and background elements of the prompts more closely. In the ceramic example, the local image showed no direct resemblance to Kütahya ceramic motifs. Although the findings rest on selected examples and on the local workflow as a whole, they point to the importance of developing local datasets of Anatolian motifs and of using trained models in new media production.

Keywords Artificial Intelligence, New Media Art, Anatolian Motifs, LoRA Training, Text-to-Image Generation

PDF (Turkish)

References

  1. Alioğlu, H. M. ve Mustafayev, E. (2024). Sanat tarihinin sonu: Tarih sonrası sanat yapay zekâ ve teknoloji. Uluslararası Sanat ve Estetik Dergisi, (13), 211–233. https://doi.org/10.29228/usved.76644 DOI: https://doi.org/10.29228/usved.76644
  2. Anadol, R. (2022). Rumi Dreams [Yapay zekâ temelli enstalasyon]. Atatürk Kültür Merkezi, İstanbul. https://refikanadol.com/events/
  3. Artut, S. (2025). Geomart-ut-sc 3,4,5 [Dijital çalışma]. Beyond Borders, Istanbul Creative Summit, Beykoz Kundura, İstanbul. https://selcukartut.com/work/geomart-ut-sc-345.html
  4. Aslan, H. (2025). Kilim motiflerinin yapay zekâ destekli tasarımları. Anadolu Üniversitesi Edebiyat Fakültesi Dergisi, 3, 67–84. https://doi.org/10.5281/zenodo.18060481
  5. Aydemir, M. ve Fetah, V. (2023). Yapay zekanın dijital hikayeleştirme ve senaryo tasarımında kullanımı: Kısa film uygulamalı bir araştırma. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (58), 255–275. https://doi.org/10.30794/pausbed.1290986 DOI: https://doi.org/10.30794/pausbed.1290986
  6. Bianchi, F., Kalluri, P., Durmus, E., Ladhak, F., Cheng, M., Nozza, D., Hashimoto, T., Jurafsky, D., Zou, J. ve Caliskan, A. (2023). Easily accessible text-to-image generation amplifies demographic stereotypes at large scale. 2023 ACM Conference on Fairness, Accountability, and Transparency içinde (ss. 1493–1504). ACM. https://doi.org/10.1145/3593013.3594095 DOI: https://doi.org/10.1145/3593013.3594095
  7. Can, R. (2022). Feeling At Home 10 [Neon ve kumaş, 93 × 146 × 17 cm]. https://www.canramazan.com/evinde-hissetmek-feeling-at-home/
  8. Cao, Y., Abdul Aziz, A. ve Mohd Arshard, W. N. R. (2025). Stable diffusion in architectural design: Closing doors or opening new horizons? International Journal of Architectural Computing, 23(2), 339–357. https://doi.org/10.1177/14780771241270257 DOI: https://doi.org/10.1177/14780771241270257
  9. Çelik, G. (2025). Türk sanatında mitolojik kökenli yerel sembollerin yapay zekâ yardımıyla yeniden tasarımı ve sanatsal incelemesi. B. İ. Ulushan (Ed.), Güzel sanatlar – Görsel iletişim tasarımı alanında uluslararası araştırmalar II içinde (ss. 85–104). Eğitim Yayınevi. https://www.egitimyayinevi.com/gorsel-iletisim-tasarimi-alaninda-uluslararasi-arastirmalar-ii
  10. Dai, M., Feng, Y., Wang, R. ve Jung, J. (2024). Enhancing the digital inheritance and development of Chinese intangible cultural heritage paper-cutting through Stable Diffusion LoRA models. Applied Sciences, 14(23), 11032. https://doi.org/10.3390/app142311032 DOI: https://doi.org/10.3390/app142311032
  11. Deveci, M. (2022). Yapay zekâ uygulamalarının sanat ve tasarım alanlarına yansıması. Vankulu Sosyal Araştırmalar Dergisi, (9), 118–140. https://doi.org/10.55089/yyuvasad.1115961 DOI: https://doi.org/10.55089/yyuvasad.1115961
  12. Gül Ergenç, S. B. (2025). Tasarımda geleneksel Anadolu motiflerinin yeri. Turkish Journal of Fashion Design and Management, 7(1), 51–64. https://doi.org/10.54976/tjfdm.1569734 DOI: https://doi.org/10.54976/tjfdm.1569734
  13. Güleç, S. ve Yalçın, A. (2025). Kültürel mirasın aktarılmasında yerel kültürel unsurların rolü. İzmir Sosyal Bilimler Dergisi, 7(1), 44–58. https://doi.org/10.47899/ijss.1573894 DOI: https://doi.org/10.47899/ijss.1573894
  14. Güney, E. ve Yavuz, H. (2020). Yapay zekâ ile sanatsal üretim pratiğinde sanatçının rolü ve değişen sanat olgusu. Sanat ve Tasarım Dergisi, (26), 415–439. https://doi.org/10.18603/sanatvetasarim.719639 DOI: https://doi.org/10.18603/sanatvetasarim.719639
  15. Hasnaine, Q. R., Fouda, M. M. ve Chiu, S. C. (2025). GPU vs. CPU: A comparative study of performance, architecture, and NVIDIA’s innovations in modern computing. 2025 IEEE 4th International Conference on Computing and Machine Intelligence (ICMI) içinde (ss. 1–6). IEEE. https://doi.org/10.1109/ICMI65310.2025.11141315 DOI: https://doi.org/10.1109/ICMI65310.2025.11141315
  16. Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L. ve Chen, W. (2021). LoRA: Low-rank adaptation of large language models (arXiv:2106.09685). arXiv. https://doi.org/10.48550/arXiv.2106.09685
  17. Karapekmez, A. V. (2023). Dijitalleşmenin görsel sanatlara etkisi: Yapay zekâ ile üretilen Atatürk portrelerinin içerik analizi. Yeni Yüzyıl’da İletişim Çalışmaları Dergisi, 2(8), 184–199. https://dergipark.org.tr/tr/pub/iyyuicd/article/1372051
  18. Özselçuk, S. (2023). Dijital sanat bağlamında yapay zekâ algoritmalarının kullanımına yönelik eleştirel bir inceleme: Refik Anadol’un “Makine Hatıraları: Uzay” sergisi. Uluslararası İktisadi ve İdari Akademik Araştırmalar Dergisi, 3(1), 1–21. https://dergipark.org.tr/tr/pub/ijerdergisi/article/1562178
  19. Rombach, R., Blattmann, A., Lorenz, D., Esser, P. ve Ommer, B. (2022). High-resolution image synthesis with latent diffusion models. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) içinde (ss. 10674–10685). IEEE. https://doi.org/10.1109/CVPR52688.2022.01042 DOI: https://doi.org/10.1109/CVPR52688.2022.01042
  20. Ruiz, N., Li, Y., Jampani, V., Pritch, Y., Rubinstein, M. ve Aberman, K. (2023). DreamBooth: Fine tuning text-to-image diffusion models for subject-driven generation. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) içinde (ss. 22500–22510). IEEE. https://doi.org/10.1109/CVPR52729.2023.02155 DOI: https://doi.org/10.1109/CVPR52729.2023.02155
  21. Sokhansanj, B. A. (2025). Local AI governance: Addressing model safety and policy challenges posed by decentralized AI. AI, 6(7), 159. https://doi.org/10.3390/ai6070159 DOI: https://doi.org/10.3390/ai6070159
  22. Toprak, A. (2020). Yapay zekâ algoritmalarının dijital enstalasyona dönüşmesi. Ege Üniversitesi İletişim Fakültesi Yeni Düşünceler Hakemli E-Dergisi, (14), 47–59. https://dergipark.org.tr/tr/download/article-file/1338883