Un enfoque novedoso para la mejora de murales usando MSR CAB y extracción de lacunas de pinturas murales antiguas mediante random forest

Por qué el arte mural desvaído sigue importando hoy

En palacios y templos históricos, las pinturas murales se están desprendiendo silenciosamente. Las zonas donde falta pintura son más que defectos estéticos: borran escenas que contienen siglos de memoria. Sin embargo, mapear cuidadosamente estas pérdidas es un trabajo lento que normalmente se hace a mano, cuadro por cuadro. Este estudio presenta un método informático que puede resaltar automáticamente los puntos dañados en fotos en color ordinarias de murales, ayudando a museos y conservadores a vigilar mejor obras frágiles incluso cuando carecen de grandes presupuestos o equipos numerosos.

Viejas paredes de palacio bajo nuevo escrutinio

La investigación se centra en murales del Palacio del Bey del siglo XIX en Constantine, Argelia, un complejo ricamente decorado cuyas paredes pintadas documentan batallas históricas, viajes y la vida cotidiana. Con el tiempo, el calor, las variaciones de humedad, el polvo y el abandono han producido grietas, decoloración y, especialmente, “lacunas”: áreas donde la capa pictórica se ha desprendido, dejando al descubierto el yeso. Dado que estas lagunas revelan hasta qué punto ha avanzado la degradación, los conservadores necesitan un mapa fiable de su tamaño y extensión. El trazado manual es lento y subjetivo, mientras que los sistemas de última generación basados en aprendizaje profundo requieren miles de imágenes etiquetadas y ordenadores potentes que la mayoría de las instituciones patrimoniales simplemente no poseen.

Hacer que imágenes sombrías y polvorientas sean más legibles

La primera mitad del nuevo enfoque se centra en hacer que las fotografías ordinarias de murales sean más fáciles de interpretar, tanto para humanos como para algoritmos. Los autores diseñaron una receta de limpieza de imagen que llaman MSR‑CAB. Funciona separando primero la luminosidad del color para poder ajustar el brillo sin distorsionar los tonos originales. Luego varias etapas aclaran las zonas oscuras, igualan las sombras y aumentan el contraste local para que el fino trabajo de pincel y los contornos resalten. Un paso de mezcla inteligente combina la vista mejorada con la original para evitar un aspecto artificial, y una pasada suave de enfoque y reducción de ruido saca detalle sin difuminar líneas importantes. Las pruebas en fotografías del palacio tomadas con poca luz muestran que esta secuencia hace que figuras, ornamentos y zonas dañadas sean mucho más claras, manteniendo al mismo tiempo la fidelidad de los colores del mural.

Enseñar a un bosque digital a detectar pintura perdida

Una vez mejoradas las imágenes, la segunda mitad del método aprende a separar píxel a píxel la pintura faltante de las áreas intactas. En lugar de un modelo profundo pesado, los autores usan un Random Forest, un conjunto de muchos árboles de decisión simples que votan la etiqueta de cada píxel. Para guiar a estos árboles introducen cinco pistas básicas: los valores de color rojo, verde y azul; cuánto varía el canal rojo en una pequeña vecindad (una medida de textura); y la intensidad de los bordes locales. Un experto humano marca primero algunas regiones de ejemplo de pérdida y pintura sana, proporcionando la verdad de referencia. Dado que las zonas dañadas son mucho menos frecuentes que las intactas, el método aumenta deliberadamente su peso durante el entrenamiento y penaliza con más fuerza las detecciones perdidas, de modo que las pequeñas lagunas no se ignoren.

De un palacio a muchas paredes e incluso hojas

En doce murales del Palacio del Bey, la tubería combinada de mejora y Random Forest clasificó correctamente alrededor del 95 por ciento de los píxeles en promedio, con puntuaciones altas tanto en la baja tasa de falsas alarmas como en la poca cantidad de píxeles dañados que pasó por alto. Un estudio de ablación —desactivando partes de la receta de mejora— mostró que omitir los pasos de limpieza reducía drásticamente el rendimiento, especialmente bajo iluminación desigual, subrayando lo vital que es disponer de buenas imágenes. Para probar si la idea funciona más allá de un único sitio, los autores la aplicaron a murales de las Cuevas de Mogao en China, fragmentos murales del Museo Metropolitano de Arte de Nueva York e incluso a un conjunto público de datos de hojas de plantas enfermas. En los tres casos, el método aisló con éxito las regiones dañadas o enfermas, con precisiones superiores al 95 por ciento en las obras y casi el 99 por ciento en las hojas, pese a conjuntos de entrenamiento pequeños y colores y texturas distintos.

Un aliado práctico para preservar historias frágiles

En esencia, este trabajo demuestra que una mejora cuidadosa de la imagen, combinada con un modelo de aprendizaje ligero, puede trazar de forma fiable dónde las pinturas murales históricas están perdiendo su capa pictórica. El sistema no reemplaza el juicio experto, pero puede proporcionar a los conservadores mapas de daño rápidos y consistentes a partir de fotografías en color ordinarias, incluso cuando solo hay disponibles unos pocos ejemplos. Al reducir las barreras técnicas y de datos para el análisis automatizado, el enfoque ofrece a las instituciones del patrimonio una herramienta práctica para monitorizar la degradación, planificar restauraciones y, en última instancia, evitar que una parte mayor de nuestro pasado pintado desaparezca silenciosamente.

Cita: Nasri, A., Zahra, M., Gao, L. et al. A novel approach to mural enhancement using MSR CAB and lacuna extraction from ancient mural paintings using random forest. Sci Rep 16, 10412 (2026). https://doi.org/10.1038/s41598-026-36973-6

Palabras clave: conservación de murales, detección de pérdida de pintura, imágenes del patrimonio cultural, mejora de imágenes, clasificación random forest