Restauración digital de murales antiguos de Jiangnan mediante aprendizaje por proxy y guía estructural

Salvar pinturas murales que se desvanecen

A lo largo de los húmedos llanos fluviales del sur de China, pinturas murales centenarias desaparecen en silencio. El calor, la humedad y el tiempo atacan el yeso, provocando grietas, manchas y desprendimiento de la capa pictórica que resultan costosos y arriesgados de reparar a mano. Este artículo presenta una nueva forma para que los ordenadores “restauren” digitalmente estos frágiles murales de Jiangnan, devolviendo sus escenas y el trazo en pantalla sin tocar las paredes originales. El trabajo importa no solo a los amantes del arte, sino a cualquiera interesado en cómo la tecnología moderna puede ayudar a conservar la memoria cultural del mundo.

Los tesoros ocultos de Jiangnan

Los murales estudiados aquí están dispersos por salones ancestrales, templos y casas antiguas de la provincia de Zhejiang. A diferencia de las famosas cuevas desérticas de Dunhuang, estas obras se hallan en un clima cálido y húmedo que es especialmente agresivo para materiales de tierra, madera y cal. Los estudios muestran que muchos murales presentan daños superpuestos: grietas, moho, decoloración, manchas de agua y zonas donde la capa de pintura se ha desprendido. La reparación física es cara, irreversible y técnicamente exigente, por lo que la restauración digital —reconstruir la imagen en píxeles en lugar de en yeso— ofrece una primera línea de protección más segura. Pero las mismas cualidades que hacen especiales a estas pinturas también dificultan su tratamiento por parte de los ordenadores.

Por qué la IA corriente se queda corta

Los programas modernos de reparación de imágenes basados en aprendizaje profundo suelen depender de grandes colecciones de pares de imágenes “antes y después” para su entrenamiento. Para los murales de Jiangnan, esos datos simplemente no existen: las obras están dispersas, fueron pintadas por numerosos artistas populares y sus apariencias originales, sin daños, se desconocen. Al mismo tiempo, el propio daño confunde a los algoritmos estándar. Las grietas oscuras y las manchas de moho pueden parecerse mucho a delicadas líneas de tinta, por lo que un modelo que sigue ciegamente los bordes visibles tiende a reproducir el daño en lugar de eliminarlo. Como resultado, las herramientas de restauración comerciales o de uso común dejan manchas o inventan detalles que chocan con el estilo tradicional de los murales.

Aprender el estilo a partir de arte relacionado

Para salir de este callejón, los autores proponen un flujo de trabajo llamado Restauración Proxy Guiada Estructuralmente, o SGPR. El primer paso es separar el “aprendizaje del estilo” de la “reparación del mural”. En lugar de entrenar directamente con las escasas fotos de murales, reúnen una gran colección proxy de más de seis mil pinturas clásicas chinas procedentes de museos. Estas imágenes comparten el mismo lenguaje artístico que los murales de Jiangnan: la manera en que fluyen las líneas, cómo se superponen las veladuras de tinta y la composición de las escenas. Un potente generador de imágenes, basado en la reciente tecnología de difusión, se afina con este conjunto proxy. Una función de pérdida especial anima al modelo no solo a imitar texturas, sino a capturar rasgos artísticos más amplios como el ritmo del pincel y el equilibrio cromático. El resultado, llamado ArtBooth, es un generador que “habla” la pintura tradicional china con fluidez, aunque nunca haya visto los murales dañados reales.

Encontrar líneas limpias en imágenes sucias

El segundo paso clave es extraer la estructura original de los murales a partir de fotografías deterioradas. Aquí los autores introducen un algoritmo de Extracción Selectiva de Características que no requiere aprendizaje. Examina el mismo mural dañado a dos escalas de imagen y aplica dos detectores de bordes simples en cada versión. Las características que aparecen de forma consistente en ambos detectores y en ambas escalas probablemente sean líneas de dibujo genuinas —como el contorno de una túnica o el tronco de un árbol—, mientras que las motas y manchas aleatorias son más propensas a ser moho o decoloraciones. Al fusionar estas señales en una máscara “envolvente”, el algoritmo refuerza las líneas fiables y suprime el ruido, produciendo dos mapas guía limpios: un dibujo lineal nítido y un mapa de bordes refinado que enfatizan la estructura verdadera mientras ignoran gran parte del deterioro.

Reparación digital guiada en la práctica

La parte final de SGPR vincula estos mapas estructurales limpios con el generador conocedor del estilo mediante una red de control optimizada. Durante la restauración, la imagen del mural dañado y un breve texto descriptivo se alimentan a ArtBooth, mientras que los mapas filtrados de líneas y bordes actúan como una especie de andamiaje. Una versión adaptada del marco ControlNet inyecta estos mapas en las capas internas del generador, orientando suavemente cada paso de desruido para que los nuevos píxeles sigan la disposición y el trazo originales en lugar de derivar hacia escenas genéricas. Las pruebas tanto en daños simulados como en murales reales del pueblo de Songxi muestran que este sistema combinado elimina manchas y grietas de forma más completa que los métodos existentes, mantiene las figuras y los objetos en sus lugares correctos y produce imágenes que los expertos consideraron cercanas en calidad a una restauración digital manual cuidadosa.

Qué significa esto para el patrimonio cultural

Para el público general, la conclusión es clara: al aprender el lenguaje visual de obras relacionadas y separar cuidadosamente las líneas genuinas del daño, la IA puede ofrecer ahora retoques digitales de nivel museístico para murales frágiles que de otro modo podrían desaparecer. Aunque el método aún tiene dificultades cuando faltan secciones completas de una pintura y todavía no se ha extendido a obras ricamente coloreadas, ya proporciona a los conservadores una herramienta nueva y poderosa. En términos más amplios, el estudio muestra cómo el uso inteligente de datos proxy y de la guía estructural puede ayudar a proteger muchos tipos de objetos patrimoniales que son demasiado escasos, demasiado dañados o demasiado valiosos para suministrar los voluminosos conjuntos de entrenamiento que la IA moderna suele requerir.

Cita: 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

Palabras clave: restauración digital de murales, conservación del patrimonio cultural, IA generadora de imágenes, estilo de pintura china, extracción de características resistente al daño