AFMNet: una red de completado mural sin activaciones mediante un mecanismo de atención multi-cabeza

Por qué importa salvar las pinturas murales desvanecidas

Las pinturas murales antiguas en templos y cuevas no son solo adornos bellos; son registros visuales de cómo vivían, rezaban, se vestían y concebían el mundo las sociedades del pasado. Desgraciadamente, muchos de estos murales están agrietados, descascarillados o parcialmente perdidos. Restaurarlos a mano es lento, arriesgado y en ocasiones imposible. Este estudio presenta AFMNet, un nuevo método computacional que puede "rellenar" digitalmente las zonas dañadas de las imágenes de murales de forma convincente para el ojo, ejecutarse de manera eficiente en hardware modesto y ayudar a proteger estos delicados tesoros culturales para la investigación y la exhibición virtual.

El problema de las imágenes rotas

Las herramientas de reparación digital tradicionales suelen copiar colores y texturas cercanas en las regiones ausentes, lo cual funciona para arañazos pequeños pero falla cuando faltan caras enteras, manos o motivos decorativos completos. Los métodos modernos de inteligencia artificial pueden imaginar contenido plausible para brechas grandes, pero la mayoría se diseñaron para fotografías cotidianas, no para los estilos singulares del arte antiguo. Los murales a menudo presentan figuras únicas, bordes intrincados y grietas irregulares que no siguen formas ordenadas. Los sistemas existentes tienden a difuminar detalles importantes, introducir formas artificiosas o exigir una potencia de cálculo elevada que resulta poco práctica para muchos museos y laboratorios de conservación.

Una red ligera diseñada para murales

AFMNet es una red compacta de procesamiento de imágenes con forma de U, con un codificador que descompone una imagen dañada en características y un decodificador que la reconstruye en una imagen completa. Su rasgo distintivo es un diseño de doble flujo: un flujo transporta información sobre las partes visibles del mural y el otro maneja un mapa de qué píxeles están ausentes o son poco fiables. Ese mapa se actualiza en cada etapa, de modo que el sistema siempre sabe en qué partes confiar en la imagen original y dónde debe inventar contenido nuevo. Al separar explícitamente las regiones sanas de las dañadas, AFMNet concentra sus esfuerzos donde más se necesitan y evita modificar innecesariamente las áreas intactas.

Mezclando patrones globales con detalle fino

Para lograr reparaciones creíbles, el sistema debe comprender tanto la escena en su conjunto como las pinceladas más pequeñas. El bloque central de AFMNet aborda esto observando la imagen de tres maneras complementarias al mismo tiempo. En la vista espacial examina vecindarios locales de píxeles, lo que le ayuda a tratar grietas y bordes. En la vista de frecuencia utiliza una transformada matemática para percibir estructuras más amplias y motivos repetidos a lo largo del mural. En la vista de canales aprende qué combinaciones de color y textura contienen las señales artísticas más relevantes, y las realza discretamente mientras ignora la información menos útil. En lugar de apoyarse en funciones de activación estándar, costosas en cálculos, AFMNet emplea un mecanismo de compuerta simple que multiplica pares de mapas de características para crear no linealidad, reduciendo el tamaño del modelo y el cómputo sin sacrificar capacidad expresiva.

Permitir que regiones distantes se comuniquen

Muchos murales contienen figuras, ornamentos y fondos relacionados a grandes distancias en la pared. Para conectar esos elementos alejados, AFMNet añade un módulo ligero de atención multi-cabeza en el punto más estrecho de la U. Allí, la red permite que cada parte de la imagen "mire" a todas las demás partes válidas y decida cuáles deberían influir en la reparación. Diferentes cabezas de atención pueden especializarse en distintas relaciones—por ejemplo, mantener la curva de un halo coherente o alinear un patrón de borde repetido. De forma crucial, el módulo de atención también ve el mapa de daños, de modo que aprende a no basar decisiones en regiones que ya han sido rellenadas sintéticamente y pueden seguir siendo inciertas.

Demostrar que funciona en la práctica

Para evaluar AFMNet con rigor, los autores lo entrenaron primero en una gran colección de escenas cotidianas y luego lo afinaron con un conjunto cuidadosamente curado de murales de las cuevas de Dunhuang. Crearon máscaras de daño realistas usando un proceso de paseo aleatorio que imita grietas y desprendimientos reales. En varios niveles de daño, AFMNet superó de forma consistente a métodos competidores bien conocidos en medidas estándar de calidad de imagen, mientras usaba alrededor de un tercio menos de parámetros que una referencia fuerte. Comparaciones visuales en murales tanto sintéticos como genuinamente dañados mostraron que AFMNet preserva mejor rasgos faciales, líneas decorativas y texturas sutiles, con menos artefactos distractores, incluso al trabajar a resoluciones altas comunes en la imagenología de museo.

Qué significa esto para el patrimonio cultural

En términos sencillos, AFMNet es un restaurador digital inteligente y eficiente que puede inferir las partes faltantes de murales antiguos de una manera que respeta su estilo y estructura. Maneja grietas complejas y pérdidas de pigmento con más elegancia que muchas herramientas existentes y puede ejecutarse con rapidez en ordenadores o portátiles estándar para usarse in situ. Aunque aún presenta dificultades con los daños por hollín más severos y texturas extremadamente intrincadas, ofrece a conservadores e investigadores una ayuda potente para visualizar cómo pudieron verse las obras dañadas, planificar intervenciones físicas con mayor seguridad y crear exhibiciones digitales atractivas que hagan accesibles las pinturas murales frágiles a audiencias más amplias.

Cita: 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

Palabras clave: restauración digital de murales, relleno de imágenes, patrimonio cultural, aprendizaje profundo, redes de atención