AFMNet: ein aktivierungsfreies Netzwerk zur Restaurierung von Wandgemälden mittels Multi-Head-Attention-Mechanismus

Warum die Rettung verblasster Wandmalereien wichtig ist

Antike Wandmalereien in Tempeln und Höhlen sind nicht nur dekorative Kunstwerke; sie sind visuelle Dokumente darüber, wie Menschen früher lebten, beteten, sich kleideten und sich die Welt vorstellten. Leider sind viele dieser Fresken rissig, blätternd oder teilweise verloren. Eine handwerkliche Restaurierung ist zeitaufwendig, riskant und mitunter unmöglich. Diese Studie stellt AFMNet vor, eine neue computergestützte Methode, die beschädigte Bildbereiche digital so "auffüllen" kann, dass das Ergebnis für das Auge überzeugend wirkt, effizient auf moderater Hardware läuft und dabei hilft, fragile Kulturschätze für Forschung und virtuelle Präsentation zu bewahren.

Das Problem mit zerstörten Bildern

Traditionelle digitale Reparaturwerkzeuge kopieren meist Farben und Texturen aus der Umgebung in fehlende Bereiche—das funktioniert bei kleinen Kratzern, versagt jedoch, wenn ganze Gesichter, Hände oder dekorative Muster fehlen. Moderne KI-Methoden können plausible Inhalte für große Lücken erzeugen, wurden aber größtenteils für Alltagsfotografie entwickelt und nicht für die besonderen Stile antiker Kunst. Wandmalereien zeigen häufig einzigartige Figuren, filigrane Bordüren und unregelmäßige Risse, die sich nicht an saubere Formen halten. Bestehende Systeme verwischen oft wichtige Details, erzeugen unpassende Formen oder benötigen hohe Rechenleistung, die für viele Museen und Restaurierungslabore unpraktisch ist.

Ein schlankes Netzwerk, entwickelt für Wandmalereien

AFMNet ist ein kompaktes Bildverarbeitungsnetzwerk in U-Form, mit einem Encoder, der ein beschädigtes Bild in Merkmale zerlegt, und einem Decoder, der es wieder zum vollständigen Bild aufbaut. Besonders ist das duale Design: Ein Zweig überträgt Informationen über die sichtbaren Teile des Wandbildes, der andere enthält eine Karte der fehlenden oder unzuverlässigen Pixel. Diese Maske wird in jeder Stufe aktualisiert, sodass das System stets weiß, welchen Bildbereichen zu vertrauen ist und wo es neuen Inhalt erfinden muss. Durch die explizite Trennung intakter und beschädigter Regionen konzentriert sich AFMNet auf die Stellen, an denen es am meisten gebraucht wird, und vermeidet unnötige Änderungen an unversehrten Bereichen.

Kombination aus globalen Mustern und feinen Details

Um glaubwürdige Reparaturen zu erzielen, muss das System sowohl die Gesamtkomposition als auch winzige Pinselstriche verstehen. Der zentrale Baustein von AFMNet adressiert dies, indem er das Bild gleichzeitig auf drei komplementäre Weisen betrachtet. In der räumlichen Sicht prüft er lokale Pixelnachbarschaften, was bei Rissen und Kanten hilft. In der Frequenzsicht nutzt er eine mathematische Transformation, um größere Strukturen und wiederkehrende Motive über das gesamte Wandbild zu erfassen. In der Kanalansicht lernt er, welche Kombinationen aus Farbe und Textur die wichtigsten künstlerischen Signale tragen, und verstärkt diese stillschweigend, während weniger nützliche Informationen ausgeblendet werden. Anstatt sich auf standardmäßige, rechenintensive Aktivierungsfunktionen zu stützen, verwendet AFMNet einen einfachen Gate-Mechanismus, der Paare von Merkmalskarten multipliziert, um Nichtlinearität zu erzeugen—das reduziert Größe und Rechenaufwand des Modells, ohne an Ausdrucksstärke zu verlieren.

Fernliegende Regionen miteinander verbinden

Viele Wandmalereien enthalten Figuren, Ornamente und Hintergründe, die über große Wandflächen hinweg zueinander in Beziehung stehen. Um diese entfernt liegenden Elemente zu verbinden, ergänzt AFMNet an der schmalsten Stelle der U-Form ein leichtgewichtiges Multi-Head-Attention-Modul. Hier kann jeder Bildteil auf alle anderen gültigen Teile "blicken" und entscheiden, welche Einflüsse für die Reparatur relevant sind. Verschiedene Attention-Heads können sich auf unterschiedliche Beziehungen spezialisieren—beispielsweise auf die konsistente Fortführung einer Heiligenscheiben-Kurve oder das Ausrichten eines wiederkehrenden Bordürenmusters. Entscheidend ist, dass das Attention-Modul auch die Schadenskarte berücksichtigt, sodass es lernt, Entscheidungen nicht auf bereits synthetisch gefüllte und damit unsichere Regionen zu stützen.

Praktischer Nachweis der Wirksamkeit

Um AFMNet stringent zu prüfen, trainierten die Autoren es zunächst auf einer großen Sammlung alltäglicher Szenen und verfeinerten es dann auf einem sorgfältig kuratierten Satz von Dunhuang-Höhlenmalereien. Sie erzeugten realistische Schadensmasken mit einem Random-Walk-Prozess, der echte Risse und Abblätterungen nachahmt. Über mehrere Schadensgrade hinweg übertraf AFMNet konsistent bekannte konkurrierende Methoden bei standardisierten Bildqualitätsmaßen und benötigte dabei etwa ein Drittel weniger Parameter als eine starke Vergleichsbasis. Visuelle Vergleiche an synthetischen und tatsächlich beschädigten Wandbildern zeigten, dass AFMNet Gesichtsmerkmale, dekorative Linien und subtile Texturen besser erhält und weniger störende Artefakte produziert—auch bei höheren Auflösungen, wie sie in der Museumsdokumentation üblich sind.

Was das für das kulturelle Erbe bedeutet

Kurz gesagt ist AFMNet ein intelligenter, effizienter digitaler Restaurator, der fehlende Teile antiker Wandmalereien so ergänzen kann, dass Stil und Struktur respektiert bleiben. Er geht mit komplexen Rissen und Farbverlusten oft gefälliger um als viele vorhandene Werkzeuge und läuft schnell genug auf Standard-Computern oder Laptops, um vor Ort eingesetzt zu werden. Zwar hat er weiterhin Schwierigkeiten mit extrem rußgeschwärzten Bereichen und sehr feinkörnigen Texturen, doch bietet er Restauratoren und Forschern ein kraftvolles Hilfsmittel, um zu visualisieren, wie beschädigte Werke einst ausgesehen haben könnten, physische Eingriffe sicherer zu planen und ansprechende digitale Ausstellungen zu schaffen, die fragile Wandmalereien einem breiteren Publikum zugänglich machen.

Zitation: Hu, C., Luo, D., Xia, G. et al. AFMNet: an activation-free mural completion network via multi-head attention mechanism. npj Herit. Sci. 14, 239 (2026). https://doi.org/10.1038/s40494-026-02379-w

Schlüsselwörter: digitale Wandmalereirestaurierung, Bildinpainting, kulturelles Erbe, Deep Learning, Aufmerksamkeitsnetzwerke