Wavelet-Diffusion Collaborative Framework for Ancient Mural Restoration

Oude muurschilderingen zijn kwetsbare getuigen van de geschiedenis; ze leggen eeuwen van artistieke evolutie, sociale gebruiken en spirituele overtuigingen vast. Van de bruisende rivierscènes in Chinese meesterwerken tot de etherische landschappen van bergretraites, deze werken bezitten een onvervangbare waarde. Toch zijn tijd en omgeving meedogenloze vijanden. Vochtigheid, licht, vervuiling en de natuurlijke veroudering van materialen zoals zijde en minerale pigmenten zorgen ervoor dat deze muurschilderingen vervagen, barsten en afbrokkelen. Statistieken wijzen uit dat een aanzienlijk deel van de naar schatting twee miljoen Chinese oude schilderijen en kalligrafiewerken verschillende gradaties van schade vertoont, wat een dringende behoefte aan restauratie creëert. Decennialang was de enige oplossing het tijdrovende werk van menselijke experts, een proces dat traag, subjectief is en het risico loopt de delicate oppervlakken verder te beschadigen. In recente jaren hebben computers een nieuw pad geboden door kunstmatige intelligentie te gebruiken om ontbrekende stukjes in te vullen en kleuren te herstellen zonder het originele kunstwerk aan te raken. De huidige computermethoden kampen echter met een moeilijke afweging: ze kunnen ofwel de brede vormen van een schilderij reconstrueren, ofwel de fijne details van penseelstreken herstellen, maar zelden beide tegelijk, vooral wanneer de schade ernstig is.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij een systeem is gecreëerd dat oude muurschilderingen restaureert met zowel structurele nauwkeurigheid als fijn textuurdetail. Hun methode, beschreven in een recente studie, combineert twee krachtige ideeën: de manier waarop computers nieuwe afbeeldingen genereren en de wiskundige techniek om een afbeelding op te splitsen in verschillende frequentielagen. In plaats van een computer te vragen om een beschadigd schilderij in één keer te repareren, zoals de meeste huidige systemen doen, splitst dit nieuwe raamwerk de afbeelding eerst op in de basiscomponenten. Het scheidt de vloeiende, brede vormen en kleuren van de scherpe, ingewikkelde lijnen en texturen. Deze scheiding stelt de computer in staat om aan de grootschalige structuur en de minuscule details parallel aan elkaar te werken, in plaats van te proberen beide tegelijkertijd te beheersen. Door het zware werk op deze gescheiden lagen uit te voeren, wordt het systeem veel sneller en vereist het aanzienlijk minder rekenkracht, waardoor het mogelijk wordt om hoogresolutiebeelden te verwerken die voorheen te moeilijk te verwerken waren.

De kern van deze innovatie is een collaboratief raamwerk dat opereert in een "wavelet-domein", een technische term voor een manier om een afbeelding te bekijken op basis van de frequentiecomponenten in plaats van de ruwe pixels. Stel je een afbeelding niet voor als een raster van gekleurde puntjes, maar als een verzameling van verschillende lagen: één laag die de algemene vorm en kleur vasthoudt, en andere lagen die de randen, barsten en fijne penseelvoering bevatten. Het systeem van de onderzoekers splitst de beschadigde muurschildering eerst in deze vier afzonderlijke lagen. Vervolgens gebruikt het een generatief model, een type kunstmatige intelligentie dat bekend staat om zijn vermogen om realistische afbeeldingen vanaf nul te creëren, om de ontbrekende delen in elke laag te herstellen. Cruciaal is dat het systeem de resterende, onbeschadigde delen van de muurschildering als gids gebruikt om ervoor te zorgen dat de nieuwe inhoud perfect aansluit bij de originele stijl. Omdat de computer op deze kleinere, gescheiden lagen werkt in plaats van op de volledige, massieve afbeelding, kan het de complexe berekeningen veel sneller uitvoeren. Zodra de ontbrekende stukjes in elke laag zijn ingevuld, voegt het systeem ze weer samen om een complete, gerestaureerde schildering te vormen.

De resultaten van deze methode zijn opmerkelijk. Bij tests op een grote collectie Dunhuang-muurschilderingen, die boeddhistische geschriften en hemelse scènes bevatten, presteerde het nieuwe systeem beter dan alle bestaande methoden. Het behaalde een hoog niveau van nauwkeurigheid bij het reconstrueren van de afbeelding, met een score van 32,04 dB in één belangrijke meting en een structurele gelijkenis-score van 0,922, beide aanzienlijk beter dan voorheen gebruikte technieken. In een andere test op een andere dataset van muurschilderingsafbeeldingen behaalde het opnieuw de beste algemene resultaten, met een score van 18,95 dB. Buiten de cijfers om is de visuele kwaliteit van de gerestaureerde afbeeldingen superieur. Waar oudere methoden vaak gepaard gingen met wazige randen of het verlies van de korrelige textuur van antieke verf, behield deze nieuwe aanpak de scherpte van gezichtscontouren en de subtiele kleurnuances. Het slaagde erin grote ontbrekende gebieden te reconstrueren zonder de compositie te verstoren of onnatuurlijke patronen te introduceren. Het systeem bleek bijzonder effectief in het behouden van de authentieke artistieke stijl, waarbij het kleurverschuivingen en repetitieve texturen die andere AI-restauratietools vaak teisteren, vermeed.

De onderzoekers testten hun systeem ook tegen een standaardversie van dezelfde technologie die rechtstreeks op de volledige afbeelding werkt zonder de lagen te scheiden. Ze ontdekten dat de nieuwe methode niet alleen nauwkeuriger was, maar ook drastisch sneller, waarbij de restauratie in ongeveer 9,5 seconden werd voltooid in vergelijking met meer dan 35 seconden voor de standaardbenadering. Deze snelheidstoename gaat niet ten koste van de kwaliteit; in feite stelde de scheiding van de lagen het systeem in staat om zich met grotere precisie te concentreren op specifieke problemen, zoals het herstellen van gebroken lijnen of het terugbrengen van vervaagde kleuren. De studie bevestigt dat door de manier waarop de computer de afbeelding "ziet" te veranderen — door deze op te splitsen in frequentielagen voordat deze wordt gerepareerd — restaurateurs een niveau van detail en structurele integriteit kunnen bereiken dat voorheen onbereikbaar was. Deze vooruitgang biedt een praktische en efficiënte tool voor het behoud van cultureel erfgoed, waardoor de ingewikkelde schoonheid van oude muurschilderingen kan worden herwonnen en beschermd voor toekomstige generaties.