WCT-Net: الترميم المشترك لجدرانيات المقابر قائم على الالتفاف الموجي وشبكة تعاونية تعتمد الانتباه الذاتي للمحوّل

لماذا يحتاج إنقاذ الجداريات القديمة إلى أدوات جديدة

تضم المقابر القديمة في أنحاء الصين جداريات جدارية تتآكل وتشقق وتتقشر عند الحواف. تلتقط هذه الجداريات مشاهد من الحياة الملكية والمعتقدات والحرفية التي لم نعد نشهدها مباشرة. لكن العديد من الشظايا تالفة إلى حد أن حتى الخبراء يجدون صعوبة في تخيل شكلها الأصلي. تعرض هذه الدراسة نظام ذكاء اصطناعي جديد، WCT-Net، مصمَّماً لـ"ترقيع" هذه الصور رقمياً، مقدِّماً إرشاداً آمناً للمرممين ومرئيات أغنى للباحثين والجمهور.

المشكلات الخفية داخل الجداريات المتكسِّرة

تواجه جداريات المقابر تهديداً مزدوجاً. عبر القرون، يتسلل الرطوب through التربة والحجر، حاملاً أملاحاً تتبلور داخل الجص. يضعف ذلك الطبقات تحت الطلاء، مما يسبب انفصال أجزاء وظهور تشققات وتساقط. النتيجة غالباً شظية صغيرة باقية تعاني نوعين من التلف في آن واحد: الحواف الخارجية مفقودة فتكون التركيبة العامة غير مكتملة، والجزء الداخلي مشوَّه بتلاشي وتقشر وتشقق دقيق. يعتمد الترميم التقليدي اليدوي على ملاءمة الشظايا وإعادة الربط بعناية، لكن عند فقدان مساحات كبيرة تصبح التخمينات عرضة للأخطاء أو حتى لإلحاق ضرر جديد. يعدّ الترميم الرقمي بديلاً عكوساً وغير تلامسي—ولكن فقط إذا تمكّن الحاسب من اختراع هياكل مفقودة معقولة وفي الوقت نفسه الحفاظ بأمان على التفاصيل الباقية.

لماذا تَقصُر الحلول الرقمية السابقة

تعلمت أساليب الحاسوب السابقة في الغالب من الأجزاء السليمة في نفس الصورة. بَعضها نشر الألوان والحواف المجاورة داخل الفجوات؛ والبعض الآخر نسخ ولصق رقع مماثلة من مناطق سليمة. يمكن لهذه الأدوات ملء عيوب تشبه الثقوب، لكنها تفشل عندما تكون الحواف بأكملها مفقودة أو عندما يجب استنتاج موضوع الجدارية من سياق قليل للغاية. حسنت أساليب التعلم العميق الأحدث، بما في ذلك الشبكات العصبية الالتفافية والشبكات التوليدية العدائية، من الواقعية لكنها لا تزال تواجه مقايضة: إما تُفضّل نَسجاً محلياً حادّاً مع فقدان الصورة الكبيرة، أو تحتفظ بالبنية الكلية مع ضبابية العمل الفرشاتي الدقيق. تساعد طرق المحوّل القائمة على الانتباه طويل المدى في التعامل مع مساحات مفقودة كبيرة لكنها ما تزال تكافح لمزامنة التفاصيل الصغيرة مع الأشكال الكبرى عندما يمتد التلف عبر مقاييس متعددة.

دماغ ذي مسارين لرؤية القريب والبعيد معاً

يتعامل WCT-Net مع هذه المشكلة بتقسيم المهمة إلى فرعين متعاونين داخل شبكة مشفِّر–مشفَّر على شكل حرف U. يستخدم أحد الفروع التلافيف القائمة على الموجات، وهي طريقة لفصل الصورة إلى مكونات ناعمة منخفضة التردد وملمس حاد عالي التردد. عبر التعلم على هذه النطاقات، يتخصص هذا الفرع في الحفاظ على الميزات الدقيقة مثل شعيرات الوجوه، طيات الملابس، والظلّ الخفيف الذي يمنح الجداريات طابعها اليدوي. بالتوازي، يستخدم فرع قائم على المحوّل الانتباه الذاتي لربط أجزاء بعيدة من الصورة، ملتقطاً أنماطاً بعيدة المدى مثل وضعية حصان أو إيقاع موكب. ثم تتعلم وحدة دمج محسَّنة كيفية وزن ودمج هذين النوعين من المعلومات بحيث لا يسود أحدهما: يحترم النموذج في الوقت نفسه التفاصيل الباقية ويستنتج مشهداً كلياً قابلاً للتصديق.

تدريب النظام بأضرار واقعية

لتدريب واختبار WCT-Net، جمع المؤلفون مجموعة بيانات عالية الجودة من جداريات المقابر الإمبراطورية في متحف تاريخ شنشي، مقطعين الصور الكبيرة إلى رقع أصغر. ثم أنشأوا ثلاث عائلات من أقنعة التلف الاصطناعي لمحاكاة التحلل الحقيقي: بقع وخدوش عشوائية للتقشر الداخلي، خسائر غير منتظمة على الحواف مثل تلك الناتجة عن سقوط قطع من الجص، ونماذج مختلطة تجمع بينهما. تعلّم النظام إعادة بناء الصور الأصلية من هذه النسخ التالفة. قارن الفريق WCT-Net مع سبعة خوارزميات ترميم رائدة، مستخدمين مقاييس تلتقط كل من الدقة البنيوية والطبيعية البصرية، واختبروه أيضاً على مجموعة بيانات جداريات دونهوانغ ذات أسلوب فني مختلف.

حدود أوضح، مشاهد أكثر اكتمالاً، وماذا يعني ذلك

عبر جميع أنواع التلف—تآكل داخلي، حواف مفقودة، وتركيبات معقّدة—قدّم WCT-Net ترميمات حافظت على استمرارية خطوط المحيط، وملمس حاد، وتركيبات عامة أكثر اكتمالاً من الطرق المنافسة. تحسنت الدرجات الموضوعية بعدة في المئة، والصور المنتَجة اقترنت بشكل أوثق مع إدراك الإنسان للأصالة. بينما النموذج أثقل حسابياً من بعض المنافسين، فإن مكاسبه تكون الأكثر وضوحاً حيث تكون الجداريات أصعب في التفسير: عندما يتعطل كل من اللوحة الداخلية وحدودها الخارجية. بالنسبة للمرممين، يعني هذا معاينة رقمية أكثر موثوقية قبل المساس بالأسطح الهشة؛ وبالنسبة للمؤرخين والجمهور، يوفِّر نوافذ أوضح إلى العالم البصري للماضي. يشير المؤلفون إلى أن العمل المستقبلي يجب أن يتعامل بشكل أفضل مع التنوع الأسلوبي ويعمل بكفاءة أكبر، لكن WCT-Net يمثل خطوة مهمة نحو استخدام الذكاء الاصطناعي كشريك دقيق ومدرك للسياق في حفظ التراث الثقافي.

الاستشهاد: Li, J., Wu, M., Lu, Z. et al. WCT-Net: joint restoration of tomb murals based on wavelet convolution and transformer self-attention collaborative network. npj Herit. Sci. 14, 151 (2026). https://doi.org/10.1038/s40494-026-02412-y

الكلمات المفتاحية: الترميم الرقمي للجداريات, حفظ التراث الثقافي, ملء الصور المفقودة, التعلم العميق للفنون, جداريات المقابر القديمة