Hierarchical Reinforcement Learning-Based Adaptive Denoising and Reversible Color Restoration Method for Complex Degraded Murals

Wandgemälde sind mehr als nur Malereien an einer Wand; sie sind zerbrechliche Aufzeichnungen der menschlichen Geschichte, die oft an antiken Höhlenoberflächen oder bröckelndem Putz haften. Im Gegensatz zu einer Leinwand in einem Museum haben diese Kunstwerke Jahrhunderte lang den Elementen ausgesetzt verbracht und dabei eine einzigartige und chaotische Mischung aus Schäden erlitten. Sie sind nicht bloß verblasst oder schmutzig; sie sind oft von einer komplexen Schichtung aus Rauschen, Rissen, Flecken und abblätternden Pigmenten bedeckt, wobei die Textur der Farbe selbst begonnen hat, sich zu schwächen. Ihre Restaurierung ist ein delikater Balanceakt. Wenn ein Restaurator zu aggressiv reinigt, könnte er die feinen Linien eines Pinselstrichs oder die subtile Geschichte des Alterns auslöschen. Wenn er zu vorsichtig ist, bleibt das Bild verborgen. Das Ziel besteht darin, die ursprüngliche Kunst freizulegen, ohne neue Details zu erfinden oder das Verbleibende dauerhaft zu verändern – ein Prozess, der ein tiefes Verständnis dafür erfordert, wo man ansetzen und wie fest man drücken muss.

Jahrelang haben Informatiker versucht, diese feine Arbeit durch künstliche Intelligenz zu automatisieren. Frühe Versuche behandelten das gesamte Bild oft auf die gleiche Weise und wandten eine einzige Regel an, um das gesamte Bild auf einmal zu säubern. Dieser Ansatz funktioniert gut für einfache Fotos, scheitert aber bei Wandgemälden, da die Schäden selten gleichmäßig verteilt sind. Ein Gesicht mag rissig sein, während der Hintergrund lediglich staubig ist, oder ein heller Punkt aus Bildrauschen könnte exakt wie ein dekoratives Muster aussehen. Die Anwendung eines groben Reinigungsfilters auf das gesamte Bild kann zwar die Risse glätten, aber auch das Gesicht verschwimmen lassen und somit genau die Details zerstören, die am wichtigsten sind. Die Herausforderung bestand daher darin, ein System zu schaffen, das ein Wandgemälde betrachten, entscheiden kann, welcher spezifische Teil Hilfe benötigt, und das passende, sanfteste Werkzeug für genau diesen Ort wählt – und das alles, während sichergestellt wird, dass die Änderungen nachverfolgbar und umkehrbar sind, falls nötig.

In einer kürzlich durchgeführten Studie schlugen Forscher einen neuen Weg vor, um dieses Problem anzugehen, indem sie dem Computer beibrachten, Entscheidungen in Schritten zu treffen, ganz ähnlich wie ein menschlicher Restaurator. Anstatt den Computer zu zwingen, das gesamte Bild in einem Rutsch zu reparieren, brachten sie die Aufgabe in zwei Ebenen des Denkens unter. Die erste Ebene fungiert als Supervisor, der das gesamte Wandgemälde scannt, um zu entscheiden, welcher Bereich zuerst Aufmerksamkeit benötigt. Sie betrachtet den Schaden und fragt: „Ist dies ein Gesicht, das eine sorgfältige Handhabung erfordert, oder ein Hintergrund, der etwas aggressiver gereinigt werden kann?“ Soblich ein Bereich ausgewählt wurde, übernimmt eine zweite, spezialisiertere Ebene. Diese untere Ebene entscheidet genau, wie dieser spezifische Fleck zu korrigieren ist, und wählt aus einem Menü von Aktionen wie dem Entfernen von Rauschen, der Anpassung der Farbe oder der Bewahrung der Textur. Entscheidend ist, dass das System reversibel konzipiert ist, was bedeutet, dass es eine Aufzeichnung jeder Änderung führt, damit der ursprüngliche Zustand wiederhergestellt werden kann, falls die Restaurierung zu weit geht.

Die Forscher testeten dieses zweistufige System an tausenden Bildern, darunter simulierte Wandgemälde mit starken Schäden sowie reale Beispiele aus antiken Stätten. Sie verglichen ihre Methode mit anderen leistungsstarken Computerprogrammen, die versuchen, Bilder zu restaurieren. Die Ergebnisse zeigten, dass ihr Ansatz, den sie ein hierarchisches Reinforcement-Learning-Framework nennen, deutlich klarere und präzisere Ergebnisse lieferte als die anderen. In Tests verbesserte die neue Methode die Klarheit der Bilder signifikant, indem sie das visuelle Rauschen reduzierte, während sie gleichzeitig die scharfen Kanten des Kunstwerks intakt hielt. Wichtiger noch war, dass sie weniger Fehler bei der Farbe machte. Während andere Methoden die Farben oft zu stark verschoben und sie dadurch zu hell oder unnatürlich erscheinen ließen, hielt dieses System die Farben viel näher an dem, was sie sein sollten, und reduzierte den durchschnittlichen Farbfehler um fast dreißig Prozent.

Die Studie zeigte auch, dass die Art und Weise, wie der Computer Entscheidungen trifft, genauso wichtig ist wie das fertige Bild selbst. Als die Forscher die „Supervisor“-Ebene entfernten und den Computer versuchten ließen, das gesamte Bild auf einmal zu reparieren, sank die Qualität merklich. Das System wurde weniger fähig, zwischen Schäden und wichtigen künstlerischen Details zu unterscheiden. Ähnlich verhielt es sich, als sie die Möglichkeit zur Umkehrbarkeit der Änderungen entfernten: Der Computer wurde aggressiver, korrigierte Farben oft übermäßig und verlor dabei die subtile Textur der Farbe. Diese Erkenntnisse legen nahe, dass der schrittweise Entscheidungsprozess essenziell ist, um die unebene, chaotische Realität beschädigter Kunst zu bewältigen. Der Computer lernt, geduldig zu sein, sich auf einen Bereich nach dem anderen zu konzentrieren und aufzuhören, wenn er spürt, dass eine Region stabil ist, anstatt eine einheitliche Korrektur über die gesamte Oberfläche zu erzwingen.

Über das bloße Erreichen der richtigen Zahlen hinaus bietet das System eine Möglichkeit, den Stil der Restaurierung basierend auf der beabsichtigten Verwendung zu steuern. Die Forscher zeigten, dass dasselbe Werkzeug für verschiedene Zwecke abgestimmt werden kann. Wenn das Ziel eine strikte historische Dokumentation ist, kann das System so eingestellt werden, dass es nur sehr wenige Änderungen vornimmt und so den aktuellen Zustand des Wandgemäldes bewahrt, selbst wenn es etwas verblasst erscheint. Wenn das Ziel eine öffentliche Ausstellung ist, kann das System angepasst werden, um die Farben lebendiger und die Details schärfer zu machen, damit die Betrachter die Kunst deutlicher sehen können. Diese Flexibilität bedeutet, dass digitale Restaurierung kein Einheitsverfahren sein muss. Es kann ein kontrollierter, transparenter Vorgang sein, bei dem Konservatoren entscheiden, wie viel Intervention angemessen ist, im Wissen, dass die digitale Version jederzeit in einen sichereren Zustand zurückversetzt werden kann.

Die Studie wurde unter Verwendung einer großen Sammlung von Bildern durchgeführt, darunter tausende Gemälde, um den Computer zu lehren, wie Kunst aussieht, sowie hunderte spezifische Wandgemälde-Bilder, die künstlich beschädigt wurden, um die Grenzen des Systems zu testen. Obwohl die Ergebnisse vielversprechend sind, merken die Forscher an, dass die aktuellen Tests Simulationen waren. Die Zahlen und visuellen Vergleiche wurden durch das Ausführen des Programms auf diesen kontrollierten Datensätzen generiert, was eine präzise Messung ermöglicht, aber noch nicht beweist, wie das System auf einer echten, jahrhundertealten Wand in einer Höhle performen wird. Der Autor legt nahe, dass der nächste Schritt darin besteht, die Methode an tatsächlichen Kulturerbestätten zu testen und menschliche Experten einzubeziehen, um die Ergebnisse zu beurteilen. Bis dahin steht die Arbeit als ein starker Beleg dafür, dass die Gabe an Computer, über eine strukturierte Art des Denkens bei der Restaurierung zu verfügen – zu entscheiden, wo und wie gehandelt wird –, zu einer besseren, sichereren und respektvolleren Bewahrung unserer gemeinsamen Geschichte führen kann.