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

Los murales son más que simples pinturas en una pared; son registros frágiles de la historia humana, que a menudo se aferran a superficies de cuevas antiguas o al yeso que se desmorona. A diferencia de un lienzo en un museo, estas obras de arte han pasado siglos expuestas a los elementos, sufriendo una mezcla única y caótica de daños. No están simplemente descoloridas o sucias; a menudo están cubiertas por una compleja capa de ruido, grietas, manchas y pigmento que se desprende, donde la textura misma de la pintura ha comenzado a debilitarse. Restaurarlos es un delicado acto de equilibrio. Si un restaurador limpia con demasiada agresividad, podría borrar las finas líneas de una pincelada o la sutil historia del envejecimiento. Si es demasiado cauteloso, la imagen permanecerá oscurecida. El objetivo es revelar el arte original sin inventar nuevos detalles ni alterar permanentemente lo que queda, un proceso que requiere una comprensión profunda de dónde tocar y con qué fuerza presionar.

Durante años, los científicos de la computación han intentado automatizar este delicado trabajo utilizando inteligencia artificial. Los intentos iniciales a menudo trataban toda la imagen de la misma manera, aplicando un único conjunto de reglas para limpiar toda la imagen a la vez. Este enfoque funciona bien para fotos simples, pero falla con los murales porque el daño rara vez es uniforme. Un rostro puede estar agrietado mientras que el fondo está simplemente polvoriento, y un punto brillante de ruido puede parecer exactamente un patrón decorativo. Aplicar un filtro de limpieza contundente a toda la imagen puede suavizar las grietas, pero también puede desenfocar el rostro, destruyendo los detalles que más importan. El desafío, por lo tanto, ha sido crear un sistema que pueda mirar un mural, decidir qué parte específica necesita ayuda y elegir la herramienta más suave y apropiada para ese lugar específico, todo ello asegurando que los cambios puedan ser rastreados y revertidos si es necesario.

En un estudio reciente, los investigadores propusieron una nueva forma de abordar este problema enseñando a una computadora a tomar decisiones por pasos, de forma muy similar a como lo haría un restaurador humano. En lugar de obligar a la computadora a arreglar toda la imagen de una sola vez, dividieron la tarea en dos niveles de pensamiento. El primer nivel actúa como un supervisor, escaneando todo el mural para decidir qué área necesita atención primero. Observa el daño y pregunta: "¿Es un rostro que requiere un manejo cuidadoso, o un fondo que puede limpiarse de forma más agresiva?". Una vez seleccionada una región, un segundo nivel más especializado toma el control. Este nivel inferior decide exactamente cómo arreglar ese punto específico, eligiendo de un menú de acciones como eliminar el ruido, ajustar el color o preservar la textura. Crucialmente, el sistema está diseñado para ser reversible, lo que significa que mantiene un registro de cada cambio para que el estado original pueda ser recuperado si la restauración llega demasiado lejos.

Los investigadores probaron este sistema de dos niveles en miles de imágenes, incluyendo murales simulados con daños intensos y ejemplos del mundo real de sitios antiguos. Compararon su método con otros programas informáticos potentes que intentan restaurar imágenes. Los resultados mostraron que su enfoque, que llaman un marco de aprendizaje por refuerzo jerárquico, produjo resultados más claros y precisos que los demás. En las pruebas, el nuevo método mejoró significamente la claridad de las imágenes, reduciendo el ruido visual mientras mantenía los bordes afilados de la obra de arte intactos. Más importante aún, cometió menos errores con el color. Mientras que otros métodos a menudo desplazaban los colores demasiado, haciendo que se vieran demasiado brillantes o antinaturales, este sistema mantuvo los colores mucho más cercanos a lo que deberían ser, reduciendo el error de color promedio en casi un treinta por ciento.

El estudio también reveló que la forma en que la computadora toma decisiones es tan importante como la imagen final que produce. Cuando los investigadores eliminaron el nivel del "supervisor" y dejaron que la computadora intentara arreglar toda la imagen a la vez, la calidad disminuyó notablemente. El sistema se volvió menos capaz de distinguir entre el daño y los detalles artísticos importantes. Del mismo modo, cuando eliminaron la capacidad de revertir los cambios, la computadora se volvió más agresiva, sobrecorrigiendo a menudo los colores y perdiendo la textura sutil de la pintura. Estos hallazgos sugieren que el proceso de toma de decisiones paso a paso es esencial para manejar la realidad desordenada e irregular del arte dañado. La computadora aprende a ser paciente, concentrándose en un área a la vez y deteniéndose cuando siente que una región es estable, en lugar de forzar una solución uniforme en toda la superficie.

Más allá de solo obtener los números correctos, el sistema ofrece una forma de controlar el estilo de la restauración según el uso previsto. Los investigadores demostraron que la misma herramienta puede ajustarse para diferentes propósitos. Si el objetivo es la documentación histórica estricta, el sistema puede configurarse para realizar muy pocos cambios, preservando el estado actual del mural incluso si parece un poco descolorido. Si el objetivo es una exhibición pública, el sistema puede ajustarse para que los colores sean más vibrantes y los detalles más nítidos, ayudando a los espectadores a ver el arte con mayor claridad. Esta flexibilidad significa que la restauración digital no tiene que ser un proceso de "talla única". Puede ser una operación controlada y transparente donde los conservadores deciden qué tanto nivel de intervención es apropiado, sabiendo que la versión digital siempre puede volver a un estado más seguro.

El estudio se llevó a cabo utilizando una gran colección de imágenes, incluyendo miles de pinturas para enseñar a la computadora cómo es el arte y cientos de imágenes de murales específicos que fueron dañados artificialmente para probar los límites del sistema. Aunque los resultados son prometedores, los investigadores señalan que las pruebas actuales fueron simulaciones. Los números y las comparaciones visuales fueron generados al ejecutar el programa en estos conjuntos de datos controlados, lo que permite una medición precisa pero aún no demuestra cómo se desempeñará el sistema en una pared real de siglos de antigüedad en una cueva. El autor sugiere que el siguiente paso es probar el método en sitios de patrimonio reales e involucrar a expertos humanos para juzgar los resultados. Hasta entonces, el trabajo constituye una sólida demostración de que darle a las computadoras una forma estructurada de pensar sobre la restauración —decidiendo dónde actuar y cómo actuar— puede conducir a una preservación mejor, más segura y más respetuosa de nuestra historia compartida.