DCADif : fusion diffuse temporelle adaptative conditionnelle découplée pour l’inpainting des peintures murales traditionnelles chinoises

Redonner vie aux peintures murales anciennes

À travers la Chine, les murs de temples et les plafonds de grottes sont couverts de fresques séculaires qui s’estompent, s’effritent et se fissurent. Ces peintures ne sont pas seulement belles ; elles constituent des archives visuelles des croyances, des récits et de la vie quotidienne d’autrefois. Les restaurer à la main est difficile, lent et parfois risqué pour ces surfaces fragiles. Cette étude présente une nouvelle méthode d’intelligence artificielle (IA), baptisée DCADif, qui aide les spécialistes à « inpaint » numériquement les parties manquantes ou endommagées des fresques tout en préservant à la fois le dessin et le style fidèles à l’œuvre originale.

Pourquoi les anciennes fresques sont si difficiles à restaurer

Les fresques chinoises traditionnelles sont bien plus que des images colorées sur un mur. Elles tissent des compositions complexes, des traits délicats et des textures subtiles créées par des pigments et des outils anciens. Quand le temps, l’humidité et la pollution laissent des trous et des taches, les conservateurs doivent deviner ce qui occupait jadis ces espaces. Les outils numériques d’inpainting cherchent à faire de même, mais la plupart des méthodes actuelles confondent deux tâches cruciales : reconstruire les formes sous-jacentes et préserver le style artistique unique. Dès lors, les zones réparées peuvent paraître structurellement incorrectes, ou bien conserver les formes mais perdre la sensibilité historique du trait et des couleurs. Le défi est de retrouver à la fois « l’ossature » et « l’âme » de la peinture en même temps.

Apprendre à l’IA à séparer structure et style

Le système DCADif relève ce défi en scindant le problème en deux voies. D’abord, les chercheurs convertissent une fresque en un simple dessin au trait, à la manière d’un contour à l’encre. Cette version épurée capture où se situent figures, objets et bordures, sans être distrait par la couleur ou la texture. Un puissant modèle de vision (adapté d’un outil initialement entraîné sur des millions d’images) lit ce dessin au trait et le distille en une description compacte de la structure de la fresque. Dans une voie séparée, un nouvel encodeur « SwinStyle » étudie la peinture endommagée elle-même pour apprendre son empreinte stylistique : la manière dont les couleurs se mêlent, la courbure des coups de pinceau, et la façon dont les surfaces craquent ou s’estompent. En conservant distinctes ces deux descriptions — structure et style — DCADif peut ensuite les contrôler indépendamment lors de la restauration.

Laisser l’image émerger du bruit

Au cœur de DCADif se trouve un modèle de diffusion, un type d’IA qui crée des images en partant d’un bruit aléatoire et en le « débruitant » progressivement pour obtenir une image réaliste. Ce processus s’effectue sur de nombreuses petites étapes, un peu comme regarder une image floue se préciser progressivement. Les auteurs ont conçu un module de Fusion de Caractéristiques Adaptatif dans le Temps qui agit comme un cadran intelligent entre structure et style au fur et à mesure de l’émergence de l’image. Aux premiers stades très bruités, le modèle s’appuie fortement sur la structure, utilisant le dessin au trait pour établir des formes et des contours corrects. À mesure que le bruit s’atténue et que l’image se clarifie, le cadran tourne lentement vers le style, laissant s’exprimer couleurs riches, textures et détails historiques sans déformer le dessin sous-jacent.

Tests sur une nouvelle bibliothèque de peintures murales

Pour évaluer si DCADif améliore réellement la restauration numérique, l’équipe a constitué un large nouveau jeu de données appelé MuralVerse-S, issu de fresques de régions comme Dunhuang, Gansu, Hebei et Mongolie intérieure, accompagné de masques réalistes qui imitent fissures et écaillage. Ils ont comparé DCADif à neuf méthodes d’inpainting de pointe, couvrant des réseaux convolutionnels plus anciens, des modèles basés sur des transformers et d’autres approches de diffusion. Sur plusieurs niveaux de dommage simulé, DCADif a produit des images avec des structures plus nettes, des compositions globales plus cohérentes et des textures que des observateurs humains jugeaient plus proches des originaux. La méthode a aussi bien fonctionné sur une collection distincte de peintures paysagères chinoises, reconstruisant avec succès des traits d’encre subtils et des contours montagneux, ce qui suggère qu’elle peut se généraliser au-delà des seules fresques.

Ce que cela signifie pour le patrimoine culturel

Au-delà des chiffres et des graphiques, les chercheurs ont demandé à 50 spécialistes d’art et étudiants en master d’évaluer différents résultats de restauration. Les participants ont systématiquement placé DCADif en tête pour la précision du contenu, la fidélité stylistique et la qualité globale. Des exemples réels, y compris des œuvres célèbres comme Courtisanes portant des coiffes fleuries, ont montré que le système peut reconstituer des visages, des vêtements et des motifs décoratifs manquants de manière à se fondre harmonieusement dans la peinture environnante. Les auteurs reconnaissent toutefois des limites : lorsque de vastes régions sont détruites, toute hypothèse numérique risque d’être historiquement inexacte, et la méthode reste coûteuse en calcul. Néanmoins, DCADif offre aux conservateurs un nouvel outil non invasif — capable de proposer des reconstructions minutieuses et fidèles tout en laissant la paroi originale intacte — aidant musées et chercheurs à mieux étudier, visualiser et préserver ces trésors culturels irremplaçables.

Citation: Peng, X., Li, C., Hu, Q. et al. DCADif: decoupled conditional adaptive time-dynamic fusion diffusion inpainting of traditional Chinese mural paintings. npj Herit. Sci. 14, 61 (2026). https://doi.org/10.1038/s40494-026-02327-8

Mots-clés: restauration numérique de fresques, reconstitution d’image (inpainting), modèles de diffusion, patrimoine culturel chinois, technologie de conservation artistique