الترميم الآلي للصور الأثرية باستخدام دمج التعلم بالنقل مع النماذج التوليدية العميقة

لماذا يهم إصلاح الفن القديم بالذكاء الاصطناعي

تتنافس المتاحف وعلماء الآثار في جميع أنحاء العالم مع الزمن. تتآكل الجداريات القديمة والفسيفساء والجدران المطلية وتتلاشى وتتشقّق بعد قرون من التعرض للرطوبة والتلوث وسوء التعامل. الترميم اليدوي بطيء ومكلف وأحيانًا لا رجعة فيه. تقدّم هذه الدراسة نظام ذكاء اصطناعي جديدًا يستطيع رقميًا إصلاح صور الأعمال الفنية التاريخية التالفة، مما يوفر للمؤرّخين والباحثين وسيلة آمنة لتصوّر كيف كانت المشاهد المفقودة وربما لحفظها للأجيال القادمة.

جدران متشققة، طلاء مفقود وشبكة أمان رقمية

عادةً ما يعني الترميم التقليدي أن يقوم أمين الحفظ بلمسات يدوية على العمل، مضافًا طلاءً جديدًا حيث فقد الطلاء القديم. وحتى عند القيام بذلك بحرص، يصعب التراجع عنه وقد يُدخل تحيّزًا معاصرًا. يسلك الترميم الرقمي مسارًا مختلفًا: تُؤخذ صور عالية الدقة للجداريات المتضررة وتُعالَج بواسطة خوارزميات حاسوبية تقترح كيف يمكن ملء المناطق المفقودة. وبما أن كل شيء يحدث في البرمجيات، يمكن مقارنة المقترحات وتنقيحها أو رفضها تمامًا دون لمس الأصل المادي. يركّز المؤلفون على جداريات دونغهوانغ في الصين — مجمع مشهور لمغارات معابد طُمرت جدارياتها بتشققات وتقشّر وعفن وبقع مفقودة كبيرة. هدفهم بناء نظام قادر على إصلاح هذه الصور تلقائيًا مع الحفاظ على الأسلوب والألوان والتفاصيل الدقيقة قدر الإمكان.

من صور ضوضائية إلى نقاط بداية واضحة

الخطوة الأولى في النظام هي تنظيف الصور المدخلة حتى لا تضلّل المعالجة اللاحقة بضوضاء الكاميرا أو الإضاءة السيئة. تستخدم الطريقة مرشح الوسيط التكيفي، وهو تقنية تُزيل البقع والبيكسلات المضيئة أو الداكنة العشوائية مع الحفاظ على الحواف الحادة، مثل خطوط محيط المشهد الجداري. ثم تُعزَّز التباينات بحيث تصبح الخطوط الباهتة والألوان المتلاشية أسهل في التمييز. تعمل هذه التعديلات كأنها تلميع لطيف لعدسة مغبرّة: لا تختلق محتوى جديدًا، لكنها تجعل التفاصيل القائمة أكثر وضوحًا. وبواسطة ضبط هذه المرحلة بعناية، يتجنّب المؤلفون الإفراط في التنعيم الذي قد يمحو أعمال فرش دقيقة يهتم بها الباحثون.

تعليم النظام فهم الأضرار

بعد تنظيف الصورة، يجب على النموذج أن يقرر أي أجزاء من الجداري سليمة وأيها متضرر. ولتحقيق ذلك، يستخدم المؤلفون شبكة عصبية مدمجة لكنها قوية تُدعى SqueezeNet، تم تعديلها بآلية انتباه لتركّز على المناطق المعلوماتية. تتعلم هذه الشبكة قراءة لغة الجداريات البصرية — نسيج الجص، أنماط الأصباغ، وأشكال الشقوق أو الجدران العارية. يمرّ مخرَجها إلى شبكة أخرى تُدعى U-Net، مصممة لمهام التقطيع الدقيق. تصنّف U-Net كل بكسل على أنه طلاء سليم أو رقعة مفقودة أو شكل آخر من أشكال التلف. بفضل الاتصالات التخطّية وكتل الانتباه والبواقي المضافة، تحتفظ الشبكة بكل من التخطيط العام (أين يقع شكل أو إطار) والميزات الدقيقة (مثل خطوط الشعر والزخارف)، محدِّدةً بدقة أين يلزم الاستكمال الرقمي.

ترك لوَّاح ذكاء اصطناعي يملأ الفراغات

بعد تحديد المناطق المتضررة، تأتي المرحلة النهائية لتخيل كيف كانت تلك المساحات تبدو أصلًا. هنا يجمع المؤلفون بين فكرتين رائدتين: الشبكات الخصامية التوليدية (GANs) الماهرة في خلق صور واقعية، وشبكات المحولات (Transformers) التي تتقن التقاط العلاقات على مدى واسع. نموذجهم الهجين «محول مبني على GAN» ينظر إلى الطلاء السليم المحيط وإلى الجداري ككل لاستنتاج نسيج وشكل ولون مناسب للمناطق المفقودة. لا يكتفي بنسخ بيكسلات مجاورة ولصقها؛ بل يصنّع محتوى جديدًا يندمج بسلاسة في المشهد ويحترم التكوين العام، مثل تماثل الأنماط أو استمرارية الأثواب والخطوط المعمارية.

مدى أداء المُرمم الرقمي

لاختبار نظامهم، استخدم الباحثون مجموعة بيانات متخصصة لجداريات دونغهوانغ تتضمن نسخًا مصطنعة متضررة والنُسَخ الأصلية كمرجع. يتيح ذلك قياس مدى اقتراب النواتج المستعادة رقميًا من النسخ غير المتضررة. يذكرون أن طريقتهم، المسماة HDLIP-SHAR، تتفوّق على عدة تقنيات قوية قائمة في مقاييس جودة متعددة، بما في ذلك الوضوح العام (PSNR)، والتشابه الهيكلي (SSIM)، ومقياس إدراكي حديث (LPIPS) الذي يعكس حكم الرؤية البشرية بشكل أفضل. يعمل النموذج أيضًا بكفاءة، مطلِبًا موارد حاسوبية ووقتًا أقل من العديد من الطرق المنافسة، وهو أمر مهم إذا رغبت المتاحف في معالجة مجموعات كبيرة.

ما يعنيه هذا لحفظ التاريخ

بالنسبة لغير المتخصصين، الخلاصة هي أن هذا النظام يعمل كمساعد حذر وقابل للعكس بدلًا من كونه رسامًا متهورًا. يمكنه اقتراح كيف يمكن إكمال وجوه أو أنماط أو مشاهد مفقودة في الجداريات القديمة، موفّرًا للعلماء أداة تصور قوية دون تعريض النسخ الأصلية للخطر. في الوقت نفسه، يشير المؤلفون إلى حدود نهجهم: الطريقة ما تزال تعتمد على وجود مواد مرجعية واضحة إلى حد معقول، وتواجه صعوبات مع الأضرار الشديدة للغاية، ولا تدمج بعدُ العلوم التأريخية أو تحليلات المواد في تخميناتها. ومع ذلك، تمثل المناهج الهجينة مثل HDLIP-SHAR خطوة مهمة نحو استخدام الذكاء الاصطناعي ليس فقط لتحسين الصور الجميلة، بل للمساعدة في حماية التراث الثقافي الذي لا يُعوَّض بطريقة شفافة وقابلة للاختبار وغير غازية.

الاستشهاد: Swathi, B., Rao, D.B.J. Automated image inpainting for historical artifact restoration using hybridisation of transfer learning with deep generative models. Sci Rep 16, 4810 (2026). https://doi.org/10.1038/s41598-026-35056-w

الكلمات المفتاحية: ترميم الجداريات رقميًا, استكمال الصور, التعلّم العميق, التراث الثقافي, نماذج GAN والمحولات