Ein verbessertes semantisches und skizzenbikonditionales geleitetes Bild‑Inpainting‑Modell für chinesische Landschaftsmalerei

Digitales Leben für fragile Meisterwerke

Alte chinesische Landschaftsgemälde, geschätzt für ihre nebelverhangenen Berge und fließende Pinselgebung, sind zugleich empfindliche Objekte: Jahrhunderte der Nutzung, Insekten und Feuchtigkeit hinterlassen Risse, Wurmkanäle und fehlende Stellen. Restauratoren müssen abwägen, wie sie das Vorhandene retten, ohne weiteren Schaden anzurichten. Diese Studie stellt eine künstliche Intelligenz (KI)-Methode vor, die speziell darauf ausgelegt ist, solche Gemälde digital zu restaurieren, Verluste zu ergänzen und dabei der ursprünglichen Struktur und dem Stil des Künstlers treu zu bleiben.

Warum alte Gemälde neue Technik brauchen

Traditionelle chinesische Landschaften folgen zwei groben Strömungen: die Nordschule mit ihren kühnen, steilen Gipfeln und die Südschule, bekannt für sanfte Tuschewaschungen und Leerstellen. Beide beruhen auf subtilen Variationen von Linie und Ton, die leicht gestört werden, wenn Papier oder Seide verfallen. Manuelle Retuschen sind zeitaufwändig und unwiderruflich; ein falscher Strich kann ein Meisterwerk dauerhaft verändern. Frühere digitale Verfahren kopierten entweder benachbarte Pixel oder beruhten auf Allzweck‑Fotowerkzeugen. Sie konnten Löcher in einer Straßenaufnahme füllen, scheiterten aber oft bei Gemälden und erzeugten unbeholfene Felsen, gebrochene Baumstämme oder Pinselstriche, die Experten einfach „falsch“ erschienen.

Wie die neue KI Struktur und Bedeutung lernt

Um diese Grenzen zu überwinden, entwickelten die Autoren ein Restaurationssystem, das ein Gemälde gleichzeitig auf drei komplementäre Weisen betrachtet. Erstens extrahiert es eine detaillierte „Skizze“, die die Stärke jeder Linie zeigt – von kräftigen Bergkämmen bis zu feinen Strukturstrichen – mithilfe eines Kantenerkennungsnetzwerks, das auf den Erhalt zarter Tuscheübergänge abgestimmt ist. Zweitens erstellt es eine farbkodierte Karte dessen, was jede Region darstellt – Himmel, Wasser, Felsen, Laub – mit einem unüberwachten semantischen Segmentierungsmodell. Drittens analysiert es das teilweise maskierte Bild selbst. Diese drei Ströme werden verschmolzen und in einen Transformer eingespeist, eine leistungsfähige KI‑Architektur, ursprünglich für Sprache entwickelt, die vorhersagt, wie die fehlenden Bereiche aussehen sollten, damit sie sowohl zur zugrundeliegenden Struktur als auch zur Gesamtkomposition passen.

Der KI das Pinselwerk beibringen, nicht nur Formen

Die Komposition zu treffen ist nur die halbe Herausforderung; die Ergänzung muss auch zur Hand des Künstlers passen. Daher ergänzte das Team ein leichtgewichtiges Modul zur stilistischen Merkmalsextraktion, das sich auf die feinen Qualitäten von Pinselstrich und Tusche konzentriert – wie Striche auslaufen, wie Textur auf Felsflächen aufgebaut ist, wie Waschungen in das leere Papier übergehen. Dieses Modul destilliert stilrelevante Informationen aus den sichtbaren Teilen des Gemäldes und injiziert sie in mehreren Stadien, während das System die fehlenden Regionen rekonstruiert, um das Ergebnis in Rhythmus und Tonalität dem Original anzugleichen. Das Training wird durch ein zusammengesetztes Ziel geleitet, das nicht nur Pixel‑Fehler bestraft, sondern auch Diskrepanzen in wahrgenommener Struktur, Texturstatistiken und Gesamtstil, und so Ergebnisse fördert, die für das menschliche Auge „richtig“ wirken, nicht nur für einen Rechner.

Die Methode im Praxistest

Um den Ansatz zu bewerten, stellten die Forschenden ein großes Datenset von fast 5.000 hochqualitativen Landschaftsgemälden aus öffentlichen Museumsbeständen und einem öffentlichen Benchmark zusammen, mit einer Ausgewogenheit zwischen Nord‑ und Südschulwerken. Sie legten digital unregelmäßige Masken an, die echten Schäden nachempfunden sind – kleine Verluste, breite Kratzer und gruppierte Wurmkanäle – und verglichen ihre Methode mit sechs führenden Inpainting‑Systemen, darunter weit verbreitete Faltungsnetzwerke, Transformer‑Modelle und moderne Diffusionsmodelle. Über verschiedene Schadensgrade hinweg erzielte das neue Modell durchgehend höhere Werte für Schärfe, strukturelle Ähnlichkeit und visuelle Realismus. Detailvergleiche zeigten glattere Bergkonturen, überzeugendere Zweigformen und Tuschetexturen, die nahtlos in die unberührten Bereiche übergingen. Menschliche Gutachter, darunter ausgebildete Maler, bevorzugten ebenfalls seine Restaurierungen und hielten sie sowohl in Struktur als auch Stil für kohärenter.

Was das für das kulturelle Erbe bedeutet

Einfach gesagt zeigt die Studie, dass ein KI‑System nicht nur darauf trainiert werden kann, „Löcher zu füllen“, sondern die innere Logik und Persönlichkeit traditioneller chinesischer Landschaftsmalerei zu respektieren. Durch die Kombination von Linienzeichnungen, Bedeutungsregionen und stilistischen Hinweisen rekonstruiert das Modell fehlende Teile, die so wirken, als könnten sie wirklich zum Originalrollen gehören. Zwar kann es Restauratoren nicht ersetzen, doch bietet es Museen und Forschenden ein mächtiges, nicht‑invasives Werkzeug, um mögliche Restaurierungen zu visualisieren, Behandlungen zu planen und vollständigere digitale Surrogate fragiler Werke zu erstellen – und so diese Landschaften zu bewahren und länger erforschen zu können, als das Papier zum Ausrollen noch taugt.

Zitation: Cao, S., Mu, D., Zhang, Y. et al. An improved semantic and sketch biconditional guided image inpainting model for Chinese landscape painting. npj Herit. Sci. 14, 103 (2026). https://doi.org/10.1038/s40494-026-02371-4

Schlüsselwörter: digitale Restaurierung, chinesische Landschaftsmalerei, Bild‑Inpainting, kulturelles Erbe, Kunstkonservierung