WCT-Net: restauración conjunta de murales funerarios basada en convolución wavelet y red colaborativa con auto‑atención tipo Transformer

Por qué salvar pinturas murales antiguas necesita nuevas herramientas

En toda China, tumbas antiguas albergan pinturas murales que se desmoronan, presentan grietas y se desprenden por los bordes. Estos murales recogen escenas de la vida cortesana, creencias y destreza artística que ya no podemos presenciar en primera persona. Sin embargo, muchos fragmentos están tan dañados que incluso los expertos tienen dificultades para imaginar cómo fueron originalmente. Este estudio presenta un nuevo tipo de sistema de inteligencia artificial, WCT‑Net, diseñado para «remendar» digitalmente estas imágenes rotas, ofreciendo orientación más segura para los conservadores y visuales más ricos para investigadores y público.

Los problemas ocultos dentro de los murales dañados

Los murales funerarios enfrentan una doble amenaza. A lo largo de los siglos, la humedad se filtra a través del suelo y la piedra, arrastrando sales que cristalizan en el yeso. Esto debilita las capas bajo la pintura, provocando que se despeguen, agrieten y caigan secciones. El resultado suele ser un fragmento sobreviviente con dos tipos de daño a la vez: los bordes exteriores faltan y la composición global queda incompleta, mientras que el interior aparece marcado por decoloración, descamación y fisuras finas. La restauración tradicional manual se basa en emparejar fragmentos y re‑adherir con cuidado, pero cuando faltan grandes áreas, la conjetura puede llevar a errores o a nuevos daños. La restauración digital promete una alternativa reversible y sin contacto, pero solo si los ordenadores pueden tanto inventar estructuras faltantes plausibles como preservar fielmente los detalles supervivientes.

Por qué las soluciones digitales anteriores se quedan cortas

Los métodos informáticos previos aprendían principalmente de las partes intactas de la misma imagen. Algunos extienden colores y bordes vecinos hacia las lagunas; otros copian y pegan parches similares de regiones intactas. Estas herramientas pueden rellenar defectos limpios en forma de agujero, pero fracasan cuando faltan bordes enteros o cuando el contenido del mural debe inferirse con muy poco contexto. Enfoques más recientes de aprendizaje profundo, incluidos redes neuronales convolucionales y redes generativas adversarias, mejoraron el realismo pero aún afrontan un compromiso: o bien priorizan texturas locales nítidas perdiendo la visión global, o conservan la estructura general pero emborronan el trabajo fino del pincel. Los métodos basados en Transformers, que sobresalen en relaciones de largo alcance, ayudan con áreas grandes faltantes pero siguen teniendo dificultades para alinear pequeños detalles y formas mayores cuando el daño abarca múltiples escalas.

Un cerebro de dos vías para ver tanto lo cercano como lo lejano

WCT‑Net aborda este problema dividiendo la tarea en dos ramas cooperantes dentro de una red en forma de U (codificador–decodificador). Una rama usa convoluciones basadas en wavelets, una forma de separar una imagen en componentes suaves de baja frecuencia y texturas nítidas de alta frecuencia. Al aprender en estas bandas, esta rama se especializa en preservar rasgos diminutos como mechones, pliegues de vestimenta y sombreados sutiles que otorgan a los murales su carácter artesanal. En paralelo, una rama basada en Transformer emplea auto‑atención para conectar partes distantes de la imagen, captando patrones de largo alcance como la pose de un caballo o el ritmo de una procesión. Una unidad de fusión mejorada aprende entonces a ponderar y mezclar estos dos tipos de información para que ninguna domine: el modelo simultáneamente respeta los detalles supervivientes y extrapola una escena general creíble.

Enseñar el sistema con daños realistas

Para entrenar y evaluar WCT‑Net, los autores reunieron un conjunto de datos de alta calidad de murales de tumbas imperiales del Museo de Historia de Shaanxi, cortando grandes fotografías en parches de imagen más pequeños. Luego crearon tres familias de máscaras de daño artificial para imitar la decadencia real: motas y arañazos aleatorios para la descamación interior, pérdidas de borde irregulares como las causadas por fragmentos de yeso que se desprenden, y patrones mixtos que combinan ambos. El sistema aprendió a reconstruir las imágenes originales a partir de estas versiones dañadas. El equipo comparó WCT‑Net con siete algoritmos de restauración líderes, usando medidas que capturan tanto la precisión estructural como la naturalidad visual, y también lo probó en un conjunto de murales de Dunhuang con un estilo artístico distinto.

Líneas más nítidas, escenas más completas y su significado

En todos los tipos de daño —desgaste interior, bordes faltantes y combinaciones complejas— WCT‑Net produjo restauraciones que mantenían las líneas de contorno continuas, las texturas nítidas y composiciones globales más completas que los métodos competidores. Las puntuaciones objetivas mejoraron varios puntos porcentuales y las imágenes generadas coincidieron más estrechamente con la percepción humana de autenticidad. Aunque el modelo es computacionalmente más pesado que algunos rivales, sus ventajas son más marcadas donde los murales son más difíciles de interpretar: cuando tanto la pintura interior como sus límites exteriores se han visto perturbados. Para los conservadores, esto significa una vista previa digital más fiable antes de tocar superficies frágiles; para historiadores y público, ofrece ventanas más nítidas al mundo visual del pasado. Los autores señalan que trabajos futuros deben manejar mejor estilos diversos y funcionar con mayor eficiencia, pero WCT‑Net constituye un paso importante hacia el uso de la IA como un socio cuidadoso y consciente del contexto en la conservación del patrimonio cultural.

Cita: Li, J., Wu, M., Lu, Z. et al. WCT-Net: joint restoration of tomb murals based on wavelet convolution and transformer self-attention collaborative network. npj Herit. Sci. 14, 151 (2026). https://doi.org/10.1038/s40494-026-02412-y

Palabras clave: restauración digital de murales, conservación del patrimonio cultural, reconstrucción de imágenes, aprendizaje profundo para el arte, murales de tumbas antiguas