Digitale Restaurierung antiker Jiangnan-Wandmalereien durch Proxy-Lernen und strukturelle Führung

Das Verblassen von Wandmalereien bewahren

In den feuchten Flusslandschaften Südchinas verschwinden jahrhundertealte Wandmalereien allmählich. Hitze, Feuchtigkeit und Zeit nagen am Putz, verursachen Risse, Flecken und Abblätterungen, deren manuelle Reparatur kostspielig und riskant ist. Dieser Artikel stellt eine neue Methode vor, mit der Computer diese fragilen Jiangnan-Murale digital „restaurieren“ können, Szenen und Pinselstriche auf dem Bildschirm wiederbeleben, ohne die Originalwände zu berühren. Die Arbeit ist nicht nur für Kunstliebhaber wichtig, sondern für alle, denen daran gelegen ist, wie moderne Technologie dazu beitragen kann, das kulturelle Gedächtnis der Welt zu bewahren.

Die verborgenen Schätze von Jiangnan

Die hier untersuchten Wandmalereien finden sich in Ahnenhallen, Tempeln und alten Wohnhäusern der Provinz Zhejiang. Anders als die berühmten Wüstenhöhlen von Dunhuang stehen diese Werke in einem heißen, feuchten Klima, das Materialien aus Erde, Holz und Kalk besonders stark zusetzt. Untersuchungen zeigen, dass viele Murale von überlagernden Schäden bedeckt sind: Risse, Schimmel, Ausbleichungen, Wasserflecken und Stellen, an denen die Farbschicht abgeplatzt ist. Physische Reparaturen sind teuer, irreversibel und technisch anspruchsvoll, daher bietet die digitale Restaurierung — das Wiederaufbauen des Bildes in Pixeln statt in Putz — eine sichere erste Schutzmaßnahme. Doch gerade die Eigenschaften, die diese Murale einzigartig machen, erschweren auch die computergestützte Bearbeitung.

Warum herkömmliche KI an Grenzen stößt

Moderne Bildreparaturprogramme auf Basis tiefen Lernens sind in der Regel auf große Sammlungen von „Vorher–Nachher“-Bildpaaren zum Training angewiesen. Für Jiangnan-Murale existieren solche Daten schlicht nicht: Die Werke sind verstreut, wurden von vielen verschiedenen Volkskünstlern geschaffen, und ihr ursprüngliches, unbeschädigtes Erscheinungsbild ist unbekannt. Gleichzeitig verwirrt der Schaden die Standardalgorithmen. Dunkle Risse und Schimmelflecken können sehr ähnlich aussehen wie feine Tuschelinien, sodass ein Modell, das sichtbaren Kanten blind folgt, eher den Schaden kopiert, statt ihn zu entfernen. In der Folge hinterlassen handelsübliche Restaurierungswerkzeuge entweder Makel oder erfinden Details, die mit dem traditionellen Stil der Murale nicht übereinstimmen.

Stil lernen aus verwandter Kunst

Um aus dieser Sackgasse herauszukommen, schlagen die Autoren einen Arbeitsablauf namens Structurally Guided Proxy Restoration (SGPR) vor. Der erste Schritt besteht darin, „Stillernen“ vom „Muralreparieren“ zu trennen. Statt direkt mit den knappen Muralfotos zu trainieren, erstellen sie eine große Proxy-Sammlung von mehr als sechstausend klassischen chinesischen Gemälden aus Museen. Diese Bilder teilen dieselbe künstlerische Sprache wie die Jiangnan-Murale: die Linienführung, die Art, wie Tuscheschichten aufgetragen werden, und die Bildkomposition. Ein leistungsfähiger Bildgenerator, basierend auf aktueller Diffusions-Technologie, wird dann an diesem Proxy-Set feinabgestimmt. Eine spezielle Verlustfunktion sorgt dafür, dass das Modell nicht nur Texturen nachahmt, sondern breitere künstlerische Merkmale wie Pinselrhythmus und Farbbalance erfasst. Das Ergebnis, genannt ArtBooth, ist ein Generator, der traditionelles chinesisches Malen fließend „spricht“, obwohl er die tatsächlichen beschädigten Murale nie gesehen hat.

Saubere Linien in verschmutzten Bildern finden

Der zweite wichtige Schritt besteht darin, die ursprüngliche Struktur der Murale aus unordentlichen Fotografien herauszulösen. Hier führen die Autoren einen Selective Feature Extraction-Algorithmus ein, der kein Lernen erfordert. Er betrachtet dasselbe beschädigte Mural in zwei Bildskalierungen und läuft auf jeder Version zwei einfache Kantendetektoren. Merkmale, die in beiden Detektoren und auf beiden Skalen konsistent erscheinen, stammen wahrscheinlich von echten Zeichenlinien — etwa die Kontur eines Gewands oder eines Baumstamms — während zufällige Sprenkel und Flecken eher Schimmel oder Wasserflecken sind. Durch das Verschmelzen dieser Signale zu einer „Hüllen“-Maske verstärkt der Algorithmus verlässliche Linien und unterdrückt Rauschen und erzeugt so zwei saubere Führungsbilder: eine klare Strichzeichnung und eine verfeinerte Kantenkarte, die die wahre Struktur betonen und einen Großteil der Zerstörung ausblenden.

Gelenkte digitale Reparatur in der Praxis

Der abschließende Teil von SGPR verbindet diese sauberen Strukturkarten mit dem stilkundigen Generator über ein optimiertes Kontrollnetz. Während der Restaurierung werden das beschädigte Muralbild und eine kurze Textvorgabe an ArtBooth übergeben, während die gefilterten Linien- und Kantenkarten als eine Art Gerüst dienen. Eine angepasste Version des ControlNet-Frameworks injiziert diese Karten in die inneren Schichten des Generators und lenkt so jeden Rauschreduktionsschritt behutsam, sodass neue Pixel der ursprünglichen Anordnung und dem Pinselduktus folgen, statt in generische Szenen abzugleiten. Tests an simulierten Schäden und an realen Muralen aus dem Dorf Songxi zeigen, dass dieses kombinierte System Flecken und Risse gründlicher entfernt als bestehende Methoden, Figuren und Objekte an den richtigen Stellen erhält und Bilder erzeugt, die Experten als nahe an sorgfältiger manueller digitaler Restaurierung bewerteten.

Was das für das Kulturerbe bedeutet

Für Nichtfachleute ist die Quintessenz klar: Indem die visuelle Sprache verwandter Werke erlernt und echte Linien sorgfältig vom Schaden getrennt werden, kann KI nun museale digitale Retuschen für fragile Murale anbieten, die andernfalls verblassen könnten. Zwar tut sich die Methode noch schwer, wenn ganze Bildabschnitte fehlen, und sie muss noch auf farbintensive Werke ausgeweitet werden, doch liefert sie Restauratoren bereits ein leistungsfähiges neues Werkzeug. Allgemeiner zeigt die Studie, wie kluge Nutzung von Proxy-Daten und struktureller Führung dazu beitragen kann, viele Arten von Kulturgütern zu schützen, die zu selten, zu beschädigt oder zu kostbar sind, um die massiven Datensätze zu liefern, die moderne KI gewöhnlich benötigt.

Zitation: Yang, C., Liu, Y. & Cai, Y. Digital restoration of ancient Jiangnan murals via proxy learning and structural guidance. npj Herit. Sci. 14, 182 (2026). https://doi.org/10.1038/s40494-026-02369-y

Schlüsselwörter: digitale Wandmalerei-Restaurierung, Konservierung des Kulturerbes, Bildgenerierende KI, chinesischer Malstil, schadensresistente Merkmalsextraktion