Wavelet-Diffusion Collaborative Framework for Ancient Mural Restoration

Las pinturas murales antiguas son testigos frágiles de la historia, que capturan siglos de evolución artística, costumbres sociales y creencias espirituales. Desde las bulliciosas escenas fluviales de las obras maestras chinas hasta los paisajes etéreos de los retiros montañosos, estas obras poseen un valor insustituible. Sin embargo, el tiempo y el entorno son enemigos implacables. La humedad, la luz, la contaminación y el envejecimiento natural de materiales como la seda y los pigmentos minerales provocan que estos murales se desvanezcan, se agrieten y se desmoronen. Las estadísticas indican que una parte significativa de los aproximadamente dos millones de pinturas y obras de caligrafía antiguas de China muestran diversos grados de daño, lo que crea una necesidad urgente de restauración. Durante décadas, la única solución fue el trabajo minucioso de expertos humanos, un proceso que es lento, subjetivo y conlleva el riesgo de causar más daños a las delicadas superficies. En años recientes, las computadoras han ofrecido un nuevo camino, utilizando la inteligencia artificial para rellenar las piezas faltantes y reparar los colores sin tocar la obra original. No obstante, los métodos computacionales actuales enfrentan un difícil dilema: pueden reconstruir las formas generales de una pintura o restaurar los detalles finos de las pinceladas, pero rara vez ambas cosas a la vez, especialmente cuando el daño es severo.

Un equipo de investigadores ha desarrollado un nuevo enfoque para resolver este problema, creando un sistema que restaura murales antiguos con precisión estructural y detalle textural fino. Su método, descrito en un estudio reciente, combina dos ideas poderosas: la forma en que las computadoras generan nuevas imágenes y la técnica matemática de descomponer una imagen en diferentes capas de frecuencia. En lugar de pedirle a una computadora que arregle una pintura dañada de una sola vez, como hacen la mayoría de los sistemas actuales, este nuevo marco primero separa la imagen en sus componentes básicos. Descompone las formas y colores amplios y suaves de las líneas y texturas nítidas e intrincadas. Esta separación permite que la computadora trabaje en la estructura a gran escala y en los detalles diminutos de forma paralela, en lugar de intentar manejarlos simultáneamente. Al realizar el trabajo pesado en estas capas separadas, el sistema se vuelve mucho más rápido y requiere mucha menos potencia de cálculo, lo que hace posible la restauración de imágenes de alta resolución que anteriormente eran demasiado difíciles de procesar.

El núcleo de esta innovación es un marco colaborativo que opera en un "dominio de ondículas" (wavelet domain), un término técnico para una forma de ver una imagen basada en sus componentes de frecuencia en lugar de sus píxeles brutos. Imagine una imagen no como una cuadrícula de puntos de colores, sino como una colección de diferentes capas: una capa que contiene la forma y el color general, y otras capas que contienen los bordes, las grietas y el fino trabajo de pincel. El sistema de los investigadores primero divide el mural dañado en estas cuatro capas distintas. Luego utiliza un modelo generativo, un tipo de inteligencia artificial conocida por su capacidad para crear imágenes realistas desde cero, para reparar las partes faltantes en cada capa. Crucialmente, el sistema utiliza las partes restantes y no dañadas del mural como guía para asegurar que el nuevo contenido encaje perfectamente con el estilo original. Debido a que la computadora trabaja en estas capas más pequeñas y separadas en lugar de la imagen completa y masiva, puede realizar los cálculos complejos con mucha más rapidez. Una vez que las piezas faltantes en cada capa han sido completadas, el sistema las une para formar una pintura completa y restaurada.

Los resultados de este método son sorprendentes. Cuando se probó en una gran colección de murales de Dunhuang, que presentan escrituras budistas y escenas celestiales, el nuevo sistema superó a todos los métodos existentes. Logró un alto nivel de precisión en la reconstrucción de la imagen, con una puntuación de 32.04 dB en una medida clave y una puntuación de similitud estructural de 0.922, ambas significativamente mejores que las técnicas anteriores. En otra prueba con un conjunto de datos diferente de imágenes de murales, volvió a obtener los mejores resultados generales, con una puntuación de 18.95 dB. Más allá de los números, la calidad visual de las imágenes restauradas es superior. Donde los métodos antiguos solían producir bordes borrosos o perder la textura granulada de la pintura antigua, este nuevo enfoque preservó la nitidez de los contornos faciales y las sutiles gradaciones de color. Reconstruyó con éxito grandes áreas faltantes sin distorsionar la composición ni introducir patrones antinaturales. El sistema demostró ser particularmente eficaz al mantener el estilo artístico auténtico, evitando los cambios de color y las texturas repetitivas que suelen afectar a otras herramientas de restauración por IA.

Los investigadores también probaron su sistema contra una versión estándar de la misma tecnología que trabaja directamente sobre la imagen completa sin separar las capas. Encontraron que el nuevo método no solo era más preciso, sino también dramáticamente más rápido, completando la restauración en unos 9.5 segundos en comparación con los más de 35 segundos del enfoque estándar. Este aumento de velocidad no supone un sacrificio en la calidad; de hecho, la separación de capas permitió al sistema concentrarse en problemas específicos, como reparar líneas rotas o restaurar colores descoloridos, con mayor precisión. El estudio confirma que, al cambiar la forma en que la computadora "ve" la imagen —descomponiéndola en capas de frecuencia antes de repararla—, los restauradores pueden alcanzar un nivel de detalle e integridad estructural que antes estaba fuera de su alcance. Este avance ofrece una herramienta práctica y eficiente para preservar el patrimonio cultural, asegurando que la intrincada belleza de los murales antiguos pueda ser recuperada y protegida para las generaciones futuras.