Wavelet-Diffusion Collaborative Framework for Ancient Mural Restoration

As pinturas murais antigas são testemunhas frágeis da história, capturando séculos de evolução artística, costumes sociais e crenças espirituais. Das cenas movimentadas de rios em obras-primas chinesas às paisagens etéreas de refúgios montanhosos, esses trabalhos carregam um valor insubstituível. No entanto, o tempo e o ambiente são inimigos implacáveis. A umidade, a luz, a poluição e o envelhecimento natural de materiais como seda e pigmentos minerais fazem com que esses murais desbotem, rachem e se desintegrem. Estatísticas indicam que uma parte significativa dos cerca de dois milhões de pinturas e obras de caligrafia antiga da China apresenta graus variados de danos, criando uma necessidade urgente de restauração. Durante décadas, a única solução foi o trabalho minucioso de especialistas humanos, um processo que é lento, subjetivo e corre o risco de causar mais danos às superfícies delicadas. Nos últimos anos, os computadores ofereceram um novo caminho, usando inteligência artificial para preencher partes ausentes e reparar cores sem tocar na arte original. No entanto, os métodos computacionais atuais enfrentam um difícil equilíbrio: eles podem reconstruir as formas amplas de uma pintura ou restaurar os detalhes finos das pinceladas, mas raramente ambos ao mesmo tempo, especialmente quando o dano é severo.

Uma equipe de pesquisadores desenvolveu uma nova abordagem para resolver este problema, criando um sistema que restaura murais antigos com precisão estrutural e detalhe textural fino. Seu método, descrito em um estudo recente, combina duas ideias poderosas: a maneira como os computadores geram novas imagens e a técnica matemática de decompor uma imagem em diferentes camadas de frequência. Em vez de pedir a um computador para consertar uma pintura danificada de uma só vez, como a maioria dos sistemas atuais faz, este novo framework primeiro separa a imagem em seus componentes básicos. Ele separa as formas e cores suaves e amplas das linhas e texturas nítidas e intrincadas. Essa separação permite que o computador trabalhe na estrutura de grande escala e nos detalhes minúsculos em paralelo, em vez de tentar lidar com eles simultaneamente. Ao realizar o trabalho pesado nessas camadas separadas, o sistema torna-se muito mais rápido e requer muito menos poder de computação, tornando possível a restauração de imagens de alta resolução que eram anteriormente difíceis de processar.

O cerne desta inovação é um framework colaborativo que opera em um "domínio wavelet", um termo técnico para uma forma de visualizar uma imagem baseada em seus componentes de frequência, em vez de seus pixels brutos. Imagine uma imagem não como uma grade de pontos coloridos, mas como uma coleção de diferentes camadas: uma camada contendo a forma e a cor geral, e outras camadas contendo as bordas, rachaduras e a fina pincelada. O sistema dos pesquisadores primeiro divide o mural danificado nessas quatro camadas distintas. Ele então utiliza um modelo generativo, um tipo de inteligência artificial conhecida por sua capacidade de criar imagens realistas do zero, para reparar as partes ausentes em cada camada. Crucialmente, o sistema usa as partes restantes e não danificadas do mural como um guia para garantir que o novo conteúdo se ajuste perfeitamente ao estilo original. Como o computador está trabalhando nessas camadas menores e separadas, em vez da imagem completa e massiva, ele pode realizar os cálculos complexos muito mais rapidamente. Uma vez que as partes ausentes em cada camada sejam preenchidas, o sistema as costura novamente para formar uma pintura completa e restaurada.

Os resultados deste método são impressionantes. Quando testado em uma grande coleção de murais de Dunhuang, que apresentam escrituras budistas e cenas celestiais, o novo sistema superou todos os métodos existentes. Ele alcançou um alto nível de precisidade na reconstrução da imagem, com uma pontuação de 32,04 dB em uma medição chave e uma pontuação de similaridade estrutural de 0,922, ambos significativamente melhores do que as técnicas anteriores. Em outro teste em um conjunto de dados diferente de imagens de murais, ele novamente alcançou os melhores resultados gerais, com uma pontuação de 18,95 dB. Além dos números, a qualidade visual das imagens restauradas é superior. Onde os métodos antigos frequentemente produziam bordas borradas ou perdiam a textura granulada da tinta antiga, esta nova abordagem preservou a nitidez dos contornos faciais e as gradações sutis de cor. O sistema reconstruiu com sucesso grandes áreas ausentes sem distorcer a composição ou introduzir padrões não naturais. O sistema provou ser particularmente eficaz em manter o estilo artístico autêntico, evitando as mudanças de cor e as texturas repetitivas que frequentemente assolam outras ferramentas de restauração por IA.

Os pesquisadores também testaram seu sistema contra uma versão padrão da mesma tecnologia que trabalha diretamente na imagem completa sem separar as camadas. Eles descobriram que o novo método não era apenas mais preciso, mas também dramaticamente mais rápido, completando a restauração em cerca de 9,5 segundos, comparado a mais de 35 segundos para a abordagem padrão. Este aumento de velocidade ocorre sem sacrificar a qualidade; de fato, a separação de camadas permitiu que o sistema focasse em problemas específicos, como corrigir linhas quebradas ou restaurar cores desbotadas, com maior precisão. O estudo confirma que, ao mudar a maneira como o computador "vê" a imagem — decompondo-a em camadas de frequência antes de repará-la — os restauradores podem alcançar um nível de detalhe e integridade estrutural que antes estava fora de alcance. Este avanço oferece uma ferramenta prática e eficiente para preservar o patrimônio cultural, garantindo que a beleza intrincada dos murais antigos possa ser recuperada e protegida para as gerações futuras.