Wavelet-Diffusion Collaborative Framework for Ancient Mural Restoration

Le antiche pitture murali sono fragili testimoni della storia, capaci di catturare secoli di evoluzione artistica, costumi sociali e credenze spirituali. Dalle vivaci scene fluviali dei capolavori cinesi ai paesaggi eterei dei rifugi montani, queste opere possiedono un valore insostituibile. Eppure, il tempo e l'ambiente sono nemici implacabili. L'umidità, la luce, l'inquinamento e l'invecchiamento naturale di materiali come la seta e i pigmenti minerali causano lo sbiadimento, la fessurazione e la disgregazione di questi affreschi. Le statistiche indicano che una parte significativa dei circa due milioni di opere di pittura e calligrafia antica della Cina mostra vari gradi di danneggiamento, creando un bisogno urgente di restauro. Per decenni, l'unica soluzione è stata l'opera meticolosa di esperti umani, un processo lento, soggettivo e che rischia di causare ulteriori danni alle delicate superfici. Negli ultimi anni, i computer hanno offerto una nuova via, utilizzando l'intelligenza artificiale per colmare le parti mancanti e riparare i colori senza toccare l'opera originale. Tuttavia, gli attuali metodi informatici affrontano un difficile compromesso: possono ricostruire le forme ampie di un dipinto o restaurare i dettagli fini delle pennellate, ma raramente entrambe le cose contemporaneamente, specialmente quando il danno è grave.

Un team di ricercatori ha sviluppato un nuovo approccio per risolvere questo problema, creando un sistema che restaura gli antichi murales con accuratezza strutturale e dettaglio materico fine. Il loro metodo, descritto in uno studio recente, combina due idee potenti: il modo in cui i computer generano nuove immagini e la tecnica matematica di scomporre un'immagine in diversi livelli di frequenza. Invece di chiedere a un computer di riparare un dipinto danneggiato tutto in una volta, come fanno la maggior parte dei sistemi attuali, questo nuovo framework separa prima l'immagine nei suoi componenti fondamentali. Esso separa le forme e i colori ampi e fluidi dalle linee e dalle texture nitide e intricate. Questa separazione permette al computer di lavorare sulla struttura su larga scala e sui minuscoli dettagli in parallelo, piuttosto che cercare di gestire tutto simultaneamente. Effettuando il lavoro pesante su questi strati separati, il sistema diventa molto più veloce e richiede molta meno potenza di calcolo, rendendo possibile il restauro di immagini ad alta risoluzione che erano precedentemente troppo difficili da elaborare.

Il cuore di questa innovazione è un framework collaborativo che opera in un "dominio wavelet", un termine tecnico per un modo di vedere un'immagine basato sulle sue componenti di frequenza piuttosto che sui suoi pixel grezzi. Immaginate un'immagine non come una griglia di puntini colorati, ma come una collezione di diversi strati: uno strato che contiene la forma e il colore complessivi, e altri strati che contengono i bordi, le crepe e la fine pennellata. Il sistema dei ricercatori scinde inizialmente il murale danneggiato in questi quattro strati distinti. Utilizza poi un modello generativo, un tipo di intelligenza artificiale nota per la sua capacità di creare immagini realistiche partendo da zero, per riparare le parti mancanti in ogni strato. Fondamentalmente, il sistema utilizza le parti rimanenti e non danneggiate del murale come guida per garantire che il nuovo contenuto si integri perfettamente con lo stile originale. Poiché il computer lavora su questi strati più piccoli e separati anziché sull'intera immagine massiccia, può eseguire i calcoli complessi molto più rapidamente. Una volta completate le parti mancanti in ogni strato, il sistema li ricompone per formare un dipinto completo e restaurato.

I risultati di questo metodo sono sorprendenti. Quando testato su una vasta collezione di murales di Dunhuang, che presentano scritture buddiste e scene celestiali, il nuovo sistema ha superato tutti i metodi esistenti. Ha raggiunto un alto livello di accuratezza nella ricostruzione dell'immagine, ottenendo un punteggio di 32,04 dB in una misurazione chiave e un punteggio di similarità strutturale di 0,922, entrambi significativamente migliori rispetto alle tecniche precedenti. In un altro test su un diverso set di dati di immagini murali, ha nuovamente ottenuto i migliori risultati complessivi, con un punteggio di 18,95 dB. Oltre ai numeri, la qualità visiva delle immagini restaurate è superiore. Laddove i vecchi metodi producevano spesso bordi sfocati o perdevano la texture granulosa della vernice antica, questo nuovo approccio preserva la nitidezza dei contorni del volto e le sottili sfumature di colore. È riuscito a ricostruire ampie aree mancanti senza distorcere la composizione o introdurre schemi innaturali. Il sistema si è dimostrato particolarmente efficace nel mantenere l'autentico stile artistico, evitando spostamenti di colore e texture ripetitive che spesso affliggono altri strumenti di restauro tramite IA.

I ricercatori hanno inoltre testato il loro sistema contro una versione standard della stessa tecnologia che lavora direttamente sull'immagine completa senza separare gli strati. Hanno scoperto che il nuovo metodo non solo è più accurato, ma è anche drasticamente più veloce, completando il restauro in circa 9,5 secondi rispetto ai più di 35 secondi dell'approccio standard. Questo aumento di velocità avviene senza sacrificare la qualità; infatti, la separazione degli strati ha permesso al sistema di concentrarsi su problemi specifici, come la riparazione di linee interrotte o il restauro di colori sbiaditi, con maggiore precisione. Lo studio conferma che cambiando il modo in cui il computer "vede" l'immagine — scomponendola in strati di frequenza prima di ripararla — i restauratori possono raggiungere un livello di dettaglio e integrità strutturale che prima era fuori portata. Questo progresso offre uno strumento pratico ed efficiente per preservare il patrimonio culturale, garantendo che l'intricata bellezza degli antichi murales possa essere recuperata e protetta per le generazioni future.