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

भित्ति चित्र (मुरल्स) केवल दीवार पर बनी पेंटिंग मात्र नहीं हैं; वे मानव इतिहास के नाजुक रिकॉर्ड हैं, जो अक्सर प्राचीन गुफाओं की सतहों या ढहते हुए प्लास्टर से चिपके रहते हैं। संग्रहालय में रखे किसी कैनवास के विपरीत, ये कलाकृतियाँ सदियों तक तत्वों के संपर्क में रही हैं, जिससे इन्होंने क्षति का एक अनूठा और अराजक मिश्रण झेला है। वे केवल धुंधले या गंदे ही नहीं हैं; वे शोर (नॉइज़), दरारों, दाग-धब्बों और उखड़ते हुए रंगों की एक जटिल परत से ढके हुए हैं, जहाँ पेंट की बनावट स्वयं कमजोर होने लगी है। उनका जीर्णोद्धार करना एक सूक्ष्म संतुलन बनाने जैसा है। यदि कोई संरक्षक बहुत आक्रामक तरीके से सफाई करता है, तो वह ब्रश के स्ट्रोक की महीन रेखाओं या उम्र बढ़ने के सूक्ष्म इतिहास को मिटा सकता है। यदि वे बहुत अधिक सतर्क रहते हैं, तो छवि अस्पष्ट ही रह जाती है। लक्ष्य मूल कला को प्रकट करना है बिना नए विवरणों का आविष्कार किए या जो बचा है उसे स्थायी रूप से बदले बिना, एक ऐसी प्रक्रिया जिसमें यह समझने की गहरी समझ आवश्यक है कि कहाँ स्पर्श करना है और कितना दबाव डालना है।

वर्षों से, कंप्यूटर वैज्ञानिक कृत्रिम बुद्धिमत्ता (एआई) का उपयोग करके इस नाजुक कार्य को स्वचालित करने का प्रयास कर रहे हैं। शुरुआती प्रयासों में पूरी छवि के साथ एक ही तरह का व्यवहार किया गया, जिसमें पूरे चित्र को एक साथ साफ करने के लिए नियमों का एक ही सेट लागू किया गया। यह दृष्टिकोण सरल तस्वीरों के लिए अच्छा काम करता है, लेकिन भित्ति चित्रों के साथ विफल हो जाता है क्योंकि क्षति शायद ही कभी एक समान होती है। एक चेहरा दरारों से भरा हो सकता है जबकि पृष्ठभूमि केवल धूल भरी हो सकती है, और शोर का एक चमकीला बिंदु सजावटी पैटर्न जैसा दिख सकता है। पूरी छवि पर एक भारी-भरत सफाई फिल्टर लगाने से दरारें तो सुधर सकती हैं, लेकिन इससे चेहरा भी धुंधला हो सकता है, जिससे वे विवरण नष्ट हो जाते हैं जो सबसे महत्वपूर्ण हैं। इसलिए, चुनौती एक ऐसा सिस्टम बनाने की रही है जो एक भित्ति चित्र को देख सके, यह तय कर सके कि किस विशिष्ट भाग को मदद की आवश्यकता है, और उस विशिष्ट स्थान के लिए सबसे कोमल और उपयुक्त उपकरण चुन सके, और यह भी सुनिश्चित कर सके कि परिवर्तन ट्रैक किए जा सकें और यदि आवश्यक हो तो उन्हें बदला जा सके।

हाल ही में एक अध्ययन में, शोधकर्ताओं ने इस समस्या से निपटने के लिए एक नया तरीका प्रस्तावित किया है, जिसमें कंप्यूटर को मानव संरक्षक की तरह चरणों में निर्णय लेने के लिए प्रशिक्षित किया गया है। कंप्यूटर को एक बार में पूरी छवि को ठीक करने के लिए मजबूर करने के बजाय, उन्होंने कार्य को सोचने के दो स्तरों में विभाजित किया। पहला स्तर एक पर्यवेक्षक (सुपरवाइजर) के रूप में कार्य करता है, जो पूरी भित्ति का निरीक्षण करता है और यह तय करता है कि पहले किस क्षेत्र पर ध्यान देने की आवश्यकता है। यह क्षति को देखता है और पूछता है, "क्या यह एक चेहरा है जिसे सावधानीपूर्वक संभालने की आवश्यकता है, या एक पृष्ठभूमि है जिसे अधिक आक्रामक रूप से साफ किया जा सकता है?" एक बार क्षेत्र का चयन हो जाने के बाद, दूसरा, अधिक विशिष्ट स्तर कार्यभार संभालता है। यह निचला स्तर तय करता है कि उस विशिष्ट स्थान को वास्तव में कैसे ठीक किया जाए, और शोर हटाने, रंग समायोजित करने या बनावट को संरक्षित करने जैसे कार्यों के मेनू में से चुनाव करता है। महत्वपूर्ण रूप से, सिस्टम को प्रतिवर्ती (रिवर्सिबल) बनाया गया है, जिसका अर्थ है कि यह हर बदलाव का रिकॉर्ड रखता है ताकि यदि सुधार बहुत अधिक हो जाए तो मूल स्थिति को पुनः प्राप्त किया जा सके।

शोधकर्ताओं ने इस दो-स्तरीय प्रणाली का परीक्षण हजारों छवियों पर किया, जिसमें भारी क्षति वाले सिम्युलेटेड (कृत्रिम रूप से निर्मित) मुरल्स और वास्तविक दुनिया के प्राचीन स्थलों के उदाहरण शामिल थे। उन्होंने अपने तरीके की तुलना अन्य शक्तिशाली कंप्यूटर प्रोग्रामों से की जो छवियों को बहाल करने का प्रयास करते हैं। परिणामों ने दिखाया कि उनके दृष्टिकोण ने, जिसे वे 'हाइरार्किकल रीइन्फोर्समेंट लर्निंग फ्रेमवर्क' कहते हैं, अन्य तरीकों की तुलना में अधिक स्पष्ट और सटीक परिणाम दिए। परीक्षणों में, नए तरीके ने छवियों की स्पष्टता में काफी सुधार किया, जिससे दृश्य शोर कम हुआ जबकि कलाकृति के तीखे किनारे बरकरार रहे। इससे भी महत्वपूर्ण बात यह है कि इसने रंगों के साथ कम गलतियाँ कीं। जहाँ अन्य विधियों ने अक्सर रंगों को बहुत अधिक बदल दिया, जिससे वे बहुत चमकीले या अस्वाभाविक दिखने लगे, वहीं इस सिस्टम ने रंगों को उनके वास्तविक स्वरूप के बहुत करीब रखा, जिससे औसत रंग त्रुटि में लगभग तीस प्रतिशत की कमी आई।

अध्ययन ने यह भी खुलासा किया कि कंप्यूटर जिस तरह से निर्णय लेता है, वह अंतिम तस्वीर बनाने के तरीके जितना ही महत्वपूर्ण है। जब शोधकर्ताओं ने "पर्यवेक्षक" स्तर को हटा दिया और कंप्यूटर को पूरी छवि को एक साथ ठीक करने की कोशिश करने दी, तो गुणवत्ता स्पष्ट रूप से गिर गई। सिस्टम क्षति और महत्वपूर्ण कलात्मक विवरणों के बीच अंतर करने में कम सक्षम हो गया। इसी तरह, जब उन्होंने बदलावों को उलटने की क्षमता को हटा दिया, तो कंप्यूटर अधिक आक्रामक हो गया, जिससे अक्सर रंगों का अत्यधिक सुधार हुआ और पेंट की सूक्ष्म बनावट खो गई। ये निष्कर्ष बताते हैं कि चरण-दर-चरण निर्णय लेने की प्रक्रिया क्षतिग्रस्त कला को संभालने के लिए आवश्यक है। कंप्यूटर धैर्य रखना सीखता है, एक समय में एक क्षेत्र पर ध्यान केंद्रित करता है और तब रुक जाता है जब उसे महसूस होता है कि कोई क्षेत्र स्थिर हो गया है, बजाय इसके कि वह पूरी सतह पर एक समान सुधार थोपे।

केवल आंकड़ों को सही करने से परे, यह सिस्टम इच्छित उपयोग के आधार पर बहाली की शैली को नियंत्रित करने का एक तरीका भी प्रदान करता है। शोधकर्ताओं ने दिखाया कि एक ही उपकरण को विभिन्न उद्देश्यों के लिए ट्यून किया जा सकता है। यदि लक्ष्य सख्त ऐतिहासिक दस्तावेजीकरण है, तो सिस्टम को बहुत कम बदलाव करने के लिए सेट किया जा सकता है, जिससे भित्ति की वर्तमान स्थिति सुरक्षित रहती है भले ही वह थोड़ी धुंधली दिखे। यदि लक्ष्य सार्वजनिक प्रदर्शनी है, तो सिस्टम को रंगों को अधिक जीवंत और विवरणों को अधिक स्पष्ट बनाने के लिए समायोजित किया जा सकता है, जिससे दर्शक कला को अधिक स्पष्ट रूप से देख सकें। यह लचीलापन इस बात का प्रमाण है कि डिजिटल बहाली को 'एक ही आकार सबके लिए' (वन-साइज़-फिट्स-ऑल) की प्रक्रिया होने की आवश्यकता नहीं है। यह एक नियंत्रित, पारदर्शी संचालन हो सकता है जहाँ संरक्षक यह तय कर सकते हैं कि कितना हस्तक्षेप उचित है, यह जानते हुए कि डिजिटल संस्करण को हमेशा एक सुरक्षित स्थिति में वापस लाया जा सकता है।

अध्ययन एक बड़े संग्रह का उपयोग करके किया गया था, जिसमें हजारों पेंटिंग्स शामिल थीं जिनका उपयोग कंप्यूटर को यह सिखाने के लिए किया गया कि कला कैसी दिखती है, और सैकड़ों विशिष्ट भित्ति चित्र जो सिस्टम की सीमाओं का परीक्षण करने के लिए कृत्रिम रूप से क्षतिग्रस्त किए गए थे। हालाँकि परिणाम उत्साहजनक हैं, शोधकर्ता नोट करते हैं कि वर्तमान परीक्षण सिमुलेशन थे। संख्याएं और दृश्य तुलनाएं इन नियंत्रित डेटासेट्स पर प्रोग्राम चलाकर उत्पन्न की गई थीं, जो सटीक माप की अनुमति देती है लेकिन यह अभी तक यह सिद्ध नहीं करती कि यह प्रणाली एक वास्तविक, सदियों पुरानी गुफा की दीवार पर कैसा प्रदर्शन करेगी। लेखक का सुझाव है कि अगला कदम वास्तविक विरासत स्थलों पर इस पद्धति का परीक्षण करना और परिणामों का निर्णय लेने के लिए मानव विशेषज्ञों को शामिल करना है। तब तक, यह कार्य इस बात का एक मजबूत प्रदर्शन है कि कंप्यूटर को बहाली के बारे में सोचने का एक संरचित तरीका देना—यह तय करना कि कहाँ कार्य करना है और कैसे कार्य करना है—हमारे साझा इतिहास के बेहतर, सुरक्षित और अधिक सम्मानजनक संरक्षण की ओर ले जा सकता है।