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

Os murais são mais do que apenas pinturas em uma parede; são registros frágeis da história humana, muitas vezes agarrados a superfícies de cavernas antigas ou ao gesso esfarelado. Ao contrário de uma tela em um museu, essas obras de arte passaram séculos expostas aos elementos, sofrendo de uma mistura única e caótica de danos. Elas não estão meramente desbotadas ou sujas; estão frequentemente cobertas por uma camada complexa de ruído, rachaduras, manchas e pigmento descascando, onde a própria textura da tinta começou a enfraquecer. Restaurá-las é um delicado jogo de equilíbrio. Se um restaurador limpar de forma muito agressiva, poderá apagar as linhas finas de uma pincelada ou a história sutil do envelhecimento. Se for cauteloso demais, a imagem permanecerá obscurecida. O objetivo é revelar a arte original sem inventar novos detalhes ou alterar permanentemente o que resta, um processo que exige uma compreensão profunda de onde tocar e com que força pressionar.

Por anos, cientistas da computação tentaram automatizar esse trabalho delicado usando inteligência artificial. As tentativas iniciais frequentemente tratavam toda a imagem da mesma forma, aplicando um único conjunto de regras para limpar toda a imagem de uma só vez. Essa abordagem funciona bem para fotos simples, mas falha com murais porque o dano raramente é uniforme. Um rosto pode estar rachado enquanto o fundo está apenas empoeçado, e um ponto brilhante de ruído pode parecer exatamente com um padrão decorativo. Aplicar um filtro de limpeza pesado em toda a imagem pode suavizar as rachaduras, mas também borrar o rosto, destruindo os próprios detalhes que mais importam. O desafio, portanto, tem sido criar um sistema que possa olhar para um mural, decidir qual parte específica precisa de ajuda e escolher a ferramenta mais suave e apropriada para aquele ponto específico, tudo isso garantindo que as mudanças possam ser rastreadas e revertidas, se necessário.

Em um estudo recente, pesquisadores propuseram uma nova maneira de abordar este problema, ensinando um computador a tomar decisões em etapas, muito parecido com um restaurador humano. Em vez de forçar o computador a consertar toda a imagem de uma só vez, eles dividiram a tarefa em dois níveis de pensamento. O primeiro nível atua como um supervisor, escaneando todo o mural para decidir qual área precisa de atenção primeiro. Ele observa o dano e pergunta: "Isto é um rosto que precisa de um manuseio cuidadoso ou um fundo que pode ser limpo de forma mais agressiva?". Uma vez selecionada uma região, um segundo nível, mais especializado, assume o controle. Este nível inferior decide exatamente como consertar aquele ponto específico, escolhendo de um menu de ações como remover ruído, ajustar a cor ou preservar a textura. Crucialmente, o sistema é projetado para ser reversível, o que significa que mantém um registro de cada mudança para que o estado original possa ser recuperado se a restauração for longe demais.

Os pesquisadores testaram este sistema de dois níveis em milhares de imagens, incluindo murais simulados com danos pesados e exemplos do mundo real de sítios antigos. Eles compararam seu método com outros programas de computador poderosos que tentam restaurar imagens. Os resultados mostraram que sua abordagem, que chamam de estrutura de aprendizado por reforço hierárquico, produziu resultados mais claros e precisos do que os outros. Nos testes, o novo método melhorou significativamente a clareza das imagens, reduzindo o ruído visual enquanto mantinha as bordas nítidas da obra de arte intactas. Mais importante ainda, cometeu menos erros com as cores. Enquanto outros métodos frequentemente deslocavam as cores demais, fazendo com que parecessem excessivamente brilhantes ou artificiais, este sistema manteve as cores muito mais próximas do que deveriam ser, reduzindo o erro médio de cor em quase trinta por cento.

O estudo também revelou que a maneira como o computador toma decisões é tão importante quanto a imagem final que ele produz. Quando os pesquisadores removeram o nível do "supervisor" e deixaram o computador tentar consertar toda a imagem de uma só vez, a qualidade caiu visivelmente. O sistema tornou-se menos capaz de distinguir entre o dano e os detalhes artísticos importantes. Da mesma forma, quando removeram a capacidade de reverter as mudanças, o computador tornou-se mais agressivo, frequentemente corrigindo excessivamente as cores e perdendo a textura sutil da tinta. Essas descobertas sugerem que o processo de tomada de decisão passo a passo é essencial para lidar com a realidade desordenada e irregular da arte danificada. O computador aprende a ser paciente, focando em uma área de cada vez e parando quando sente que uma região está estável, em vez de forçar uma correção uniforme em toda a superfície.

Além de apenas acertar os números, o sistema oferece uma maneira de controlar o estilo da restauração com base no uso pretendido. Os pesquisadores mostraram que a mesma ferramenta pode ser ajustada para diferentes propósitos. Se o objetivo for a documentação histórica estrita, o sistema pode ser configurado para fazer pouquíssimas mudanças, preservando o estado atual do mural mesmo que pareça um pouco desbotado. Se o objetivo for uma exposição pública, o sistema pode ser ajustado para tornar as cores mais vibrantes e os detalhes mais nítidos, ajudando os espectadores a ver a arte mais claramente. Essa flexibilidade significa que a restauração digital não precisa ser um processo de tamanho único. Pode ser uma operação controlada e transparente, onde os conservadores decidem quanta intervenção é apropriada, sabendo que a versão digital pode sempre ser retornada a um estado mais seguro.

O estudo foi conduzido utilizando uma grande coleção de imagens, incluindo milhares de pinturas usadas para ensinar ao computador como é a arte e centenas de imagens de murais específicos que foram artificialmente danificados para testar os limites do sistema. Embora os resultados sejam promissores, os pesquisadores observam que os testes atuais foram simulações. Os números e as comparações visuais foram gerados ao rodar o programa nesses conjuntos de dados controlados, o que permite uma medição precisa, mas ainda não prova como o sistema se comportará em uma parede real, de séculos de idade, em uma caverna. O autor sugere que o próximo passo é testar o método em sítios de patrimônio reais e envolver especialistas humanos para julgar os resultados. Até lá, o trabalho permanece como uma demonstração sólida de que dar aos computadores uma forma estruturada de pensar sobre a restauração — decidindo onde agir e como agir — pode levar a uma preservação melhor, mais segura e mais respeitosa da nossa história compartilhada.