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

Gli affreschi sono molto più di semplici dipinti su una parete; sono fragili registrazioni della storia umana, spesso aggrappate ad antiche superfici di grotte o a intonaci che si sbriciolano. A differenza di una tela in un museo, queste opere d'arte hanno trascorso secoli esposte agli agenti atmosferici, subendo un mix unico e caotico di danni. Non sono semplicemente sbiadite o sporche; sono spesso coperte da una complessa stratificazione di rumore, crepe, macchie e pigmento che si scrosta, dove la stessa texture della vernice ha iniziato a indebolirsi. Il loro restauro è un delicato gioco di equilibrio. Se un restauratore pulisce in modo troppo aggressivo, potrebbe cancellare le linee sottili di una pennellata o la sottile storia dell'invecchiamento. Se è troppo cauto, l'immagine rimane oscurata. L'obiettivo è rivelare l'arte originale senza inventare nuovi dettagli o alterare permanentemente ciò che resta, un processo che richiede una profonda comprensione di dove toccare e con quanta forza premere.

Per anni, gli scienziati informatici hanno cercato di automatizzare questo delicato lavoro utilizzando l'intelligenza artificiale. I primi tentativi trattavano l'intera immagine allo stesso modo, applicando un unico insieme di regole per pulire l'intera immagine in una sola volta. Questo approccio funziona bene per le foto semplici, ma fallisce con gli affreschi perché il danno non è quasi mai uniforme. Un volto può essere crepato mentre lo sfondo è solo polveroso, oppure una macchia luminosa di rumore può sembrare esattamente un motivo decorativo. Applicare un filtro di pulizia pesante a tutta l'immagine può levigare le crepe, ma può anche sfocare il volto, distruggendo proprio i dettagli che contano di più. La sfida, dunque, è stata quella di creare un sistema in grado di guardare un affresco, decidere quale parte specifica necessiti di aiuto e scegliere lo strumento più delicato e appropriato per quel punto specifico, il tutto garantendo che le modifiche possano essere tracciate e invertite se necessario.

In uno studio recente, i ricercatori hanno proposto un nuovo modo per affrontare questo problema, insegnando al computer a prendere decisioni per fasi, proprio come farebbe un restauratore umano. Invece di costringere il computer a sistemare l'intera immagine in un colpo solo, hanno suddiviso il compito in due livelli di pensiero. Il primo livello agisce come un supervisore, scansionando l'intero affresco per decidere quale area richieda attenzione per prima. Osserva il danno e si chiede: "Questo è un volto che richiede una gestione attenta, o uno sfondo che può essere pulito in modo più aggressivo?". Una volta selezionata una regione, un secondo livello, più specializzato, prende il controllo. Questo livello inferiore decide esattamente come sistemare quel punto specifico, scegliendo da un menù di azioni come la rimozione del rumore, la regolazione del colore o la preservazione della texture. Fondamentalmente, il sistema è progettato per essere reversibile, il che significa che tiene traccia di ogni modifica in modo che lo stato originale possa essere recuperato se il restauro va troppo oltre.

I ricercatori hanno testato questo sistema a due livelli su migliaia di immagini, inclusi affreschi simulati con danni pesanti ed esempi del mondo reale provenienti da siti antichi. Hanno confrontato il loro metodo con altri potenti programmi informatici che cercano di restaurare le immagini. I risultati hanno mostrato che il loro approccio, che chiamano un framework di apprendimento per rinforzo gerarchico, ha prodotto risultati più chiari e accurati rispetto agli altri. Nei test, il nuovo metodo ha migliorato significativamente la chiarezza delle immagini, riducendo il rumore visivo pur mantenendo intatti i bordi netti dell'opera d'arte. Ancora più importante, ha commesso meno errori con i colori. Mentre altri metodi spesso spostavano troppo i colori, rendendoli troppo brillanti o innaturali, questo sistema ha mantenuto i colori molto più vicini a quelli che dovrebbero essere, riducendo l'errore medio del colore di quasi il trenta per cento.

Lo studio ha anche rivelato che il modo in cui il computer prende decisioni è importante quanto l'immagine finale prodotta. Quando i ricercatori hanno rimosso il livello del "supervisore" e hanno lasciato che il computer cercasse di sistemare l'intera immagine in una volta sola, la qualità è diminuita sensibilmente. Il sistema è diventato meno capace di distinguere tra il danno e gli importanti dettagli artistici. Allo stesso modo, quando hanno rimosso la capacità di invertire le modifiche, il computer è diventato più aggressivo, correggendo spesso eccessivamente i colori e perdendo la sottile texture della vernice. Questi risultati suggeriscono che il processo decisionale passo dopo passo è essenziale per gestire la realtà disordinata e irregolare dell'arte danneggiata. Il computer impara a essere paziente, concentrandosi su un'area alla volta e fermandosi quando percepisce che una regione è stabile, invece di forzare una correzione uniforme su tutta la superficie.

Oltre a ottenere solo i numeri corretti, il sistema offre un modo per controllare lo stile del restauro in base all'uso previsto. I ricercatori hanno dimostrato che lo stesso strumento può essere tarato per scopi diversi. Se l'obiettivo è la stretta documentazione storica, il sistema può essere impostato per apportare pochissime modifiche, preservando lo stato attuale dell'affresco anche se appare un po' sbiadito. Se l'obiettivo è una mostra pubblica, il sistema può essere regolato per rendere i colori più vibranti e i dettagli più nitidi, aiutando gli spettatori a vedere l'arte più chiaramente. Questa flessibilità significa che il restauro digitale non deve essere un processo uguale per tutti. Può essere un'operazione controllata e trasparente in cui i conservatori decidono quanta intervento sia appropriato, sapendo che la versione digitale può sempre essere riportata a uno stato più sicuro.

Lo studio è stato condotto utilizzando una vasta collezione di immagini, inclusi migliaia di dipinti usati per insegnare al computer com'è fatta l'arte e centinaia di specifiche immagini di affreschi che sono stati artificialmente danneggiati per testare i limiti del sistema. Sebbene i risultati siano promettenti, i ricercatori osservano che i test attuali sono simulazioni. I numeri e i confronti visivi sono stati generati eseguendo il programma su questi dataset controllati, il che permette misurazioni precise ma non prova ancora come il sistema si comporterà su una vera parete secolare in una grotta. L'autore suggerisce che il passo successivo sia testare il metodo su veri siti del patrimonio culturale e coinvolgere esperti umani per giudicare i risultati. Fino ad allora, questo lavoro rappresenta una forte dimostzione che dare ai computer un modo strutturato di pensare al restauro — decidendo dove agire e come agire — può portare a una preservazione migliore, più sicura e più rispettosa della nostra storia condivisa.