Restauration par diffusion d’images d’objets en bronze corrodés dans un cadre d’intervention minimale : indices de conformité spatiale et diagnostics du risque de sur-restauration

Pourquoi les vieilles photos de bronze comptent encore aujourd’hui

Les photographies de vases anciens en bronze font plus que montrer de beaux objets ; elles enregistrent discrètement la façon dont chaque pièce a vieilli sous terre et en stockage muséal. Les taches de corrosion, les surfaces qui s’écaillent et la patine multicolore ne sont pas de simples défauts à effacer sur un écran. Ce sont des indices physiques sur l’histoire. Cette étude se demande comment les outils d’intelligence artificielle (IA) modernes de réparation d’images peuvent être employés pour retoucher des photos de bronzes endommagés sans réécrire par inadvertance ces indices et ainsi produire une image trompeuse du passé.

Corriger les images sans effacer le passé

Les musées et les archéologues s’appuient sur des photos d’archives de bronzes pour la recherche, le catalogage et le partage des collections. Beaucoup de ces images sont abîmées : des parties manquent, sont rayées ou recouvertes de taches postérieures. Dans l’édition d’images courante, les logiciels peuvent « embellir » librement ces défauts. Mais pour le patrimoine culturel, les croûtes de corrosion et la patine inégale sont des preuves, pas du bruit. Les auteurs formulent la restauration numérique comme un problème d’« intervention minimale » : ne modifier que ce qui doit l’être pour rendre la photo lisible, et laisser intacts les traces de surface authentiques. Cela fait de la restauration non seulement une question d’esthétique, mais d’honnêteté et de fiabilité.

Trois outils d’IA mis à l’épreuve

L’étude compare trois approches d’IA de premier plan capables de combler les parties manquantes d’images. LaMa représente un réseau neuronal conventionnel et rapide qui complète les trous d’une image en un seul passage. Stable Diffusion Inpainting et ControlNet Inpainting sont des modèles de « diffusion » plus récents qui raffineraient progressivement les images et sont reconnus pour produire des détails riches et réalistes. Les trois ont été sollicités pour réparer des photos de bronzes exhumés du royaume ancien de Gumei, en utilisant exactement les mêmes entrées et des masques de dégâts soigneusement préparés indiquant où le contenu est réellement manquant.

Une méthode ingénieuse pour mesurer les changements utiles versus nuisibles

Évaluer une restauration est délicat car il existe rarement une photo « après » parfaite d’un artefact endommagé. Les auteurs ont donc conçu deux tests complémentaires. D’abord, pour des images relativement intactes, ils ont masqué artificiellement des régions et demandé à chaque méthode de les reconstruire. Là, ils pouvaient comparer les résultats à l’original et calculer des mesures standard de qualité d’image. Ensuite, pour de véritables photos d’archives endommagées, où aucune vérité terrain n’existe, ils ont déplacé l’attention de « À quel point c’est joli ? » vers « Où l’algorithme a-t-il réellement modifié l’image ? » Ils ont divisé chaque photo en trois zones : la zone masquée de dommages qui doit être altérée, une bande de tolérance étroite juste à l’extérieur de cette zone où une transition est acceptable, et le reste de la surface intacte où des changements sont risqués.

Détecter et cartographier le risque de sur-restauration

Pour les cas de dommages réels, l’équipe a mesuré la fréquence à laquelle chaque méthode a opéré des modifications fortes à l’intérieur du masque, dans la bande de frontière et plus loin sur des surfaces censées être intactes. Ils ont visualisé ces modifications sous forme de cartes thermiques, montrant où de nouveaux pixels apparaissaient ou où les couleurs avaient bougé. Ils ont ensuite invité trois experts en conservation et en archéologie à juger, à l’aveugle quant à la méthode, quels résultats semblaient les plus authentiques et si le niveau d’intervention était acceptable. Les trois systèmes d’IA ont pu reconstituer de façon plausible des motifs et des formes manquantes, et les modèles de diffusion ont souvent produit des textures visuellement plus impressionnantes. Mais ceux-ci avaient aussi davantage tendance à lisser subtilement ou à repeindre la corrosion et la patine en dehors de la zone endommagée, ce qui soulève le risque d’une « fausse réalité » séduisante mais trompeuse.

Ce que l’étude enseigne aux restaurateurs et aux technologues

Les auteurs ont constaté que LaMa, malgré sa simplicité, réparait les zones manquantes à peu près aussi efficacement que les modèles de diffusion tout en provoquant bien moins de modifications indésirables au-delà du masque. Stable Diffusion et ControlNet fournissaient des remplissages plus nets et plus cohérents mais présentaient des taux plus élevés de débordement vers des régions de surface originales, surtout dans les zones riches en corrosion qui comptent le plus comme preuves. Les experts ont jugé la plupart des sorties de toutes les méthodes utiles comme matériel de travail pour la discussion et l’enseignement, mais pas adaptées comme substituts finaux et autonomes des artefacts réels. L’étude conclut que les puissants outils génératifs doivent être assortis de contrôles stricts et transparents sur leurs zones d’intervention. En transformant l’idéal conservatoire d’« intervention minimale » en indices spatiaux mesurables et en cartes visuelles de risque, les auteurs offrent aux musées et aux chercheurs une manière pratique d’exploiter la restauration par IA tout en préservant l’authenticité.

Citation: Sui, Q., Shou, W. & Yang, H. Diffusion-based restoration of corroded bronzeware images under a minimal-intervention framework: spatial-compliance indices and over-restoration risk diagnostics. npj Herit. Sci. 14, 259 (2026). https://doi.org/10.1038/s40494-026-02539-y

Mots-clés: restauration numérique, imagerie du patrimoine culturel, objets en bronze, reconstruction d’images, intervention minimale