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

Les fresques sont bien plus que de simples peintures sur un mur ; elles sont des archives fragiles de l'histoire humaine, s'accrochant souvent à des surfaces de grottes anciennes ou à du plâtre qui s'effrite. Contrairement à une toile dans un musée, ces œuvres ont passé des siècles exposées aux éléments, subissant un mélange unique et chaotique de dégradations. Elles ne sont pas simplement décolorées ou sales ; elles sont souvent recouvertes d'une superposition complexe de bruit, de fissures, de taches et de pigments qui s'écaillent, là où la texture même de la peinture a commencé à faiblir. La restauration de ces œuvres est un équilibre délicat. Si un restaurateur nettoie trop agressivement, il pourrait effacer les lignes fines d'un coup de pinceau ou la subtile histoire du vieillissement. S'il est trop prudent, l'image reste obscurcie. L'objectif est de révéler l'art original sans inventer de nouveaux détails ni altérer de façon permanente ce qui subsiste, un processus qui nécessite une compréhension profonde de l'endroit où toucher et de la force à exercer.

Pendant des années, des informaticiens ont tenté d'automatiser ce travail délicat en utilisant l'intelligence artificielle. Les premières tentatives traitaient l'image entière de la même manière, appliquant un ensemble unique de règles pour nettoyer toute l'image d'un coup. Cette approche fonctionne bien pour des photos simples, mais échoue avec les fresques car les dommages sont rarement uniformes. Un visage peut être fissuré tandis que l'arrière-plan est simplement poussiéreux, et un point brillant de bruit peut ressembler exactement à un motif décoratif. Appliquer un filtre de nettoyage brutal à toute l'image peut lisser les fissures, mais aussi flouter le visage, détruisant ainsi les détails qui comptent le plus. Le défi a donc été de créer un système capable d'observer une fresque, de décider quelle partie spécifique nécessite de l'aide, et de choisir l'outil le plus doux et le plus approprié pour cet endroit précis, tout en garantissant que les changements puissent être tracés et inversés si nécessaire.

Dans une étude récente, des chercheurs ont proposé une nouvelle façon de s'attaquer à ce problème en apprenant à un ordinateur à prendre des décisions par étapes, tout comme le ferait un restaurateur humain. Au lieu de forcer l'ordinateur à réparer toute l'image en une seule fois, ils ont décomposé la tâche en deux niveaux de réflexion. Le premier niveau agit comme un superviseur, scannant l'ensemble de la fresque pour décider quelle zone nécessite une attention prioritaire. Il examine les dommages et se demande : « S'agit-il d'un visage qui nécessite une manipulation délicate, ou d'un arrière-plan qui peut être nettoyé plus agressivement ? » Une fois qu'une région est sélectionnée, un second niveau, plus spécialisé, prend le relais. Ce niveau inférieur décide précisément comment réparer cet endroit spécifique, en choisissant parmi un menu d'actions telles que la suppression du bruit, l'ajustement des couleurs ou la préservation de la texture. Crucialement, le système est conçu pour être réversible, ce qui signifie qu'il garde une trace de chaque changement afin que l'état original puisse être récupéré si la restauration va trop loin.

Les chercheurs ont testé ce système à deux niveaux sur des milliers d'images, incluant des fresques simulées présentant des dommages importants et des exemples du monde réel provenant de sites anciens. Ils ont comparé leur méthode à d'autres programmes informatiques puissants qui tentent de restaurer des images. Les résultats ont montré que leur approche, qu'ils appellent un cadre d'apprentissage par renforcement hiérarchique, produisait des résultats plus clairs et plus précis que les autres. Lors des tests, la nouvelle méthode a considérablement amélioré la clarté des images, réduisant le bruit visuel tout en préservant les contours nets de l'œuvre. Plus important encore, elle a commis moins d'erreurs de couleur. Alors que d'autres méthodes déformaient souvent les couleurs, les rendant trop vives ou artificielles, ce système a maintenu les couleurs beaucoup plus proches de ce qu'elles devraient être, réduisant l'erreur de couleur moyenne de près de trente pour cent.

L'étude a également révélé que la manière dont l'ordinateur prend ses décisions est tout aussi importante que l'image finale produite. Lorsque les chercheurs ont supprimé le niveau « superviseur » et laissé l'ordinateur tenter de réparer toute l'image d'un coup, la qualité a nettement chuté. Le système est devenu moins capable de distinguer les dommages des détails artistiques importants. De même, lorsqu'ils ont supprimé la capacité d'inverser les changements, l'ordinateur est devenu plus agressif, surcorrigent souvent les couleurs et perdant la texture subtile de la peinture. Ces découvertes suggèrent que le processus de prise de décision étape par étape est essentiel pour gérer la réalité désordonnée et inégale de l'art endommagé. L'ordinateur apprend à être patient, se concentrant sur une zone à la fois et s'arrêtant lorsqu'il sent qu'une région est stable, plutôt que d'imposer une correction uniforme sur toute la surface.

Au-delà de la simple précision des chiffres, le système offre un moyen de contrôler le style de la restauration en fonction de l'usage prévu. Les chercheurs ont montré que l'outil pouvait être ajusté pour différents objectifs. Si l'objectif est une documentation historique stricte, le système peut être réglé pour effectuer très peu de changements, préservant l'état actuel de la fresque même si elle paraît un peu décolorée. Si l'objectif est une exposition publique, le système peut être ajusté pour rendre les couleurs plus vibrantes et les détails plus nets, aidant les spectateurs à voir l'art plus clairement. Cette flexibilité signifie que la restauration numérique n'a pas besoin d'être un processus uniforme. Il peut s'agir d'une opération contrôlée et transparente où les conservateurs décident du degré d'intervention approprié, sachant que la version numérique peut toujours être ramenée à un état plus sûr.

L'étude a été menée à l'aide d'une vaste collection d'images, comprenant des milliers de peintures utilisées pour enseigner à l'ordinateur ce qu'est l'art, et des centaines d'images de fresques spécifiques qui ont été artificiellement endommagées pour tester les limites du système. Bien que les résultats soient prometteurs, les chercheurs notent que les tests actuels étaient des simulations. Les chiffres et les comparaisons visuelles ont été générés en faisant fonctionner le programme sur ces ensembles de données contrôlés, ce qui permet une mesure précise mais ne prouve pas encore comment le système se comportera sur un véritable mur séculaire dans une grotte. L'auteur suggère que la prochaine étape consiste à tester la méthode sur des sites patrimoniaux réels et à impliquer des experts humains pour juger les résultats. D'ici là, ce travail constitue une démonstration solide que donner aux ordinateurs une manière structurée de penser la restauration — décider où agir et comment agir — peut mener à une préservation plus efficace, plus sûre et plus respectueuse de notre histoire commune.