Diffusionsbasierte Restaurierung von korrodierten Bronzefotos im Rahmen minimaler Eingriffe: räumliche Konformitätsindizes und Diagnostik des Überrestaurierungsrisikos

Warum alte Bronzeaufnahmen heute noch wichtig sind

Fotografien antiker Bronzgefäße zeigen nicht nur schöne Objekte; sie dokumentieren still, wie jedes Stück unter der Erde und in Museumsdepots gealtert ist. Korrosionsflecken, abblätternde Oberflächen und mehrfarbige Patina sind nicht lediglich Makel, die man am Bildschirm wegretuschiert. Sie sind physische Hinweise auf die Vergangenheit. Diese Studie untersucht, wie moderne KI‑Werkzeuge zur Bildreparatur genutzt werden können, um beschädigte Bronzefotos zu säubern, ohne versehentlich diese Hinweise zu verändern und dadurch ein irreführendes Bild der Vergangenheit zu erzeugen.

Bilder retten, ohne die Vergangenheit zu löschen

Museen und Archäologen sind für Forschung, Katalogisierung und Präsentation auf Archivfotos von Bronzefunden angewiesen. Viele dieser Bilder sind beschädigt: Teile fehlen, sind zerkratzt oder mit späteren Flecken überdeckt. Bei alltäglicher Bildbearbeitung ist Software frei, solche Fehler zu „verschönern“. Im Kulturerbe jedoch sind Korrosionskrusten und fleckige Patina Belegstücke, keine Störungen. Die Autoren verstehen digitale Restaurierung als ein Problem der „minimalen Intervention“: nur das zu ändern, was unbedingt geändert werden muss, um das Foto lesbar zu machen, und authentische Oberflächenspuren unberührt zu lassen. Damit ist Restaurierung nicht nur eine Frage der Optik, sondern von Ehrlichkeit und Vertrauenswürdigkeit.

Drei KI‑Werkzeuge im Vergleich

Die Studie vergleicht drei führende KI‑Ansätze, die fehlende Bildteile ergänzen können. LaMa steht für ein schnelles, konventionelles neuronales Netz, das Löcher in Bildern in einem Durchgang füllt. Stable Diffusion Inpainting und ControlNet Inpainting sind neuere „Diffusions“-Modelle, die Bilder schrittweise verfeinern und für reichhaltige, realistische Details bekannt sind. Alle drei sollten Fotos ausgegrabener Bronzefunde aus dem antiken Gumei‑Reich reparieren, wobei sie genau dieselben Eingaben und sorgfältig vorbereitete Schadenmasken verwendeten, die markieren, wo wirklich Inhalt fehlt.

Eine clevere Methode, hilfreiche versus schädliche Änderungen zu messen

Die Bewertung von Restaurierungen ist schwierig, weil es selten ein perfektes „Nachher“-Foto eines beschädigten Objekts gibt. Die Autoren entwickelten daher zwei komplementäre Tests. Zunächst wurden bei relativ intakten Bildern künstlich Bereiche ausgeblendet und jede Methode aufgefordert, diese zu rekonstruieren. Hier konnten die Ergebnisse mit dem Original verglichen und standardisierte Bildqualitätswerte berechnet werden. Zweitens, bei echt beschädigten Archivfotos, wo keine Referenz existiert, verschob sich der Fokus von „Wie gut sieht es aus?“ zu „Wo hat der Algorithmus tatsächlich das Bild verändert?“. Sie teilten jedes Foto in drei Zonen auf: die maskierten Schäden, die geändert werden sollten; einen schmalen Toleranzbereich direkt außerhalb dieser Zone, in dem Übergänge akzeptabel sind; und den unberührten Rest der Oberfläche, wo Änderungen riskant sind.

Erkennung und Kartierung des Überrestaurierungsrisikos

Für die Fälle mit realen Schäden maßen die Forschenden, wie häufig jede Methode starke Änderungen innerhalb der Maske, im Randband und weiter entfernt auf angeblich intakten Flächen vornahm. Sie visualisierten diese Änderungen als Heatmaps, die zeigen, wo neue Pixel auftraten oder Farben sich verschoben. Anschließend baten sie drei Expertinnen und Experten aus Denkmalpflege und Archäologie, blind gegenüber der Methode zu beurteilen, welche Ergebnisse am authentischsten erscheinen und ob das Eingriffsmaß akzeptabel sei. Alle drei KI‑Systeme konnten plausibel fehlende Muster und Formen rekonstruieren; die Diffusionsmodelle erzeugten oft eindrucksvollere Texturen. Allerdings glätteten oder übermalten sie auch häufiger subtil Korrosion und Patina außerhalb der beschädigten Bereiche, was die Gefahr einer attraktiven, aber irreführenden „falschen Realität“ erhöht.

Was die Studie Konservatorinnen, Konservatoren und Technologen lehrt

Die Autoren stellten fest, dass LaMa, trotz seiner Einfachheit, fehlende Bereiche etwa ebenso effektiv reparierte wie die Diffusionsmodelle, dabei jedoch weit weniger unerwünschte Änderungen außerhalb der Maske verursachte. Stable Diffusion und ControlNet lieferten schärfere, kohärentere Füllungen, zeigten aber höhere Ausbreitungsraten in ursprüngliche Oberflächenregionen, insbesondere in korrosionsreichen Bereichen, die als Beweismaterial besonders wichtig sind. Experten bewerteten die meisten Ausgaben aller Methoden als nützliches Entwurfsmaterial für Diskussionen und Lehre, jedoch nicht als endgültige, eigenständige Stellvertreter für die realen Artefakte. Die Studie kommt zu dem Schluss, dass leistungsfähige generative Werkzeuge mit strengen, transparenten Kontrollen darüber kombiniert werden müssen, wo sie eingreifen. Indem sie das konservatorische Ideal der „minimalen Intervention“ in messbare räumliche Indizes und visuelle Risikokarten übersetzen, bieten die Autoren Museen und Forschenden einen praktischen Weg, KI‑Restaurierung zu nutzen und zugleich die Authentizität zu bewahren.

Zitation: Sui, Q., Shou, W. & Yang, H. Diffusion-based restoration of corroded bronzeware images under a minimal-intervention framework: spatial-compliance indices and over-restoration risk diagnostics. npj Herit. Sci. 14, 259 (2026). https://doi.org/10.1038/s40494-026-02539-y

Schlüsselwörter: digitale Restaurierung, Bildgebung im Kulturerbe, Bronzeobjekte, Bildinpainting, minimale Intervention