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

壁画不仅仅是墙上的绘画；它们是人类历史的脆弱记录，往往依附在古老的洞穴表面或破碎的灰泥之上。与博物馆里的画布不同，这些艺术品经历了数百年的风吹日晒，遭受着独特且混乱的损伤。它们不仅仅是褪色或变脏，往往还覆盖着复杂的噪声、裂纹、污渍和剥落的颜料，甚至颜料本身的纹理也已开始弱化。修复它们是一场微妙的平衡。如果修复者清洁得过于激进，可能会抹去细腻的笔触或岁月的微妙痕迹；如果过于谨慎，图像则会被遮蔽。目标是在不创造新细节或永久改变现状的前提下，揭示原始艺术，这一过程需要深刻理解何时该触碰以及该用多大的力度。

多年来，计算机科学家一直试图利用人工智能来使这项精细的工作自动化。早期的尝试通常对整个图像进行统一处理，即应用一套规则来清理整幅图画。这种方法对于简单的照片效果很好，但对于壁画却会失效，因为壁画的损伤很少是均匀分布的。一个脸部可能布满裂纹，而背景可能仅仅是落了灰；或者一处明亮的噪声看起来可能与装饰图案完全一致。对整幅图像应用重度清洗滤镜虽然可以抚平裂纹，但也可能模糊脸部，从而破坏那些最重要的细节。因此，挑战在于创建一个系统，使其能够观察壁画，决定哪个特定部分需要帮助，并为那个特定位置选择最温和、最合适的工具，同时确保所有的更改都是可追溯且可逆的。

在最近的一项研究中，研究人员提出了一种解决此问题的新方法，通过教计算机像人类修复师一样分步骤做出决策。他们没有强迫计算机一次性修复整个图像，而是将任务分解为两个思考层面。第一层级充当“监督者”，扫描整个壁画以决定哪些区域需要优先处理。它观察损伤并询问：“这是一个需要小心处理的脸部，还是一个可以更积极清洁的背景？”一旦选定了一个区域，第二层更专业的层级就会接管。这个较低层级负责决定如何精确修复该特定位置，从一系列动作中进行选择，如去除噪声、调整颜色或保留纹理。至关重要的是，该系统被设计为可逆的，这意味着它会记录每一次更改，以便在修复过度时可以恢复原始状态。

研究人员在数千张图像上测试了这个两层级系统，其中包括带有严重损伤的模拟壁画和来自真实遗址的实例。他们将该方法与试图修复图像的其他强大计算机程序进行了对比。结果显示，他们的方法（他们称之为层次强化学习框架）比其他方法产生了更清晰、更准确的结果。在测试中，这种新方法显著提高了图像的清晰度，在减少视觉噪声的同时保持了艺术品的锐利边缘。更重要的是，它在色彩处理上的错误更少。虽然其他方法经常导致色彩偏移，使画面看起来过于鲜艳或不自然，但该系统能让色彩保持在更接近应有的水平，将平均色彩误差降低了近百分之三十。

研究还表明，计算机如何做出决策与其产出的最终图像同样重要。当研究人员移除“监督者”层级，让计算机尝试一次性修复整个图像时，图像质量明显下降。系统变得难以区分损伤与重要的艺术细节。同样，当他们移除“可逆性”功能时，计算机变得更加激进，经常过度修正颜色并丢失了颜料的微妙纹理。这些发现表明，循序渐进的决策过程对于处理混乱且不均匀的现实情况至关重要。计算机学会了保持耐心，一次专注于一个区域，并在感觉到该区域趋于稳定时停止，而不是强行对整个表面进行统一修复。

除了在数据指标上表现出色外，该系统还提供了一种根据预期用途来控制修复风格的方法。研究人员展示了同一个工具可以根据不同的目的进行微调。如果目标是严格的历史文献记录，系统可以设置为极少进行改动，即使壁画看起来有些褪色，也能保留其现状。如果目标是用于公共展览，系统则可以调整，使色彩更加鲜艳、细节更加清晰，从而帮助观众更清晰地观察艺术品。这种灵活性意味着数字修复不必是一个“一刀切”的过程。它可以是一种受控且透明的操作，由文物保护人员决定干预程度，并知晓数字版本随时可以回退到更安全的状态。

这项研究是使用大规模图像集进行的，其中包括用于教导计算机识别艺术形态的数千幅绘画，以及数百张经过人工损伤处理的特定壁画图像，用以测试系统的极限。虽然结果令人期待，但研究人员指出，目前的测试属于模拟实验。数值和视觉对比是通过在这些受控数据集上运行程序生成的，这允许进行精确测量，但尚未证明该系统在真实的、有着数百年历史的洞穴墙壁上的表现如何。作者建议，下一步是在实际的文化遗产遗址上进行测试，并邀请人类专家来评判结果。在此之前，这项工作有力地证明了：赋予计算机一种结构化的思考方式——决定在哪里行动以及如何行动——可以实现对我们共同历史更优、更安全且更具尊重感的保护。