WCT-Net: שחזור משותף של ציורי קברים מבוסס על קונבולוציית ויולט והשתלת תשומת לב-עצמית של טרנספורמר ברשת שיתופית

למה הצלת ציורי קיר ישנים צריכה כלים חדשים

בכל רחבי סין שוכנים ציורי קיר בקברים עתיקים שמתפוררים, שסועים ומתקלפים בקצוות. אלה מייצגים סצנות מחיי חצר המלוכה, אמונות ואמנות שממנוּ אין לנו עדות ישירה עוד. אך קטעים רבים כל כך פגועים שמומחים מתקשים לדמיין כיצד נראו במלואם. במחקר זה מוצגת מערכת בינה מלאכותית חדשה, WCT-Net, שמטרתה "לתקן" דיגיטלית את התמונות השבורות הללו, להציע הנחיות בטוחות יותר לשימור ולחזות עשירות יותר לחוקרים ולקהל.

הבעיות הנסתרות בתוך ציורים שבורים

ציורי קברים ניצבים בפני איום כפול. במשך מאות שנים לחות חודרת דרך האדמה והסלע ונושאת לעמה מלחים שמגבשים בתוך הטיח. זה מחליש את השכבות שמתחת לצבע, וגורם לקטעים להיפרד, לסדוק ולנשור. התוצאה היא לעתים שכבה שורדת קטנה שסובלת משני סוגי נזק בו־זמנית: הקצוות החיצוניים חסרים, ולכן הקומפוזיציה הכוללת לא שלמה, ובפנים הציור סובל דהייה, התקלפות וסדקים עדינים. שיקום מסורתי ידני מסתמך על התאמת קטעים והדבקה זהירה, אך כאשר אזורים רחבים חסרים, עבודה משוערת עלולה להוביל לטעויות או אף לנזק חדש. שחזור דיגיטלי מבטיח חלופה הפיכה וללא מגע—אך רק אם המחשבים מסוגלים גם להמציא מבנים חסרים שנראים סבירים וגם לשמר בקפידה את הפרטים ששרדו.

למה תיקונים דיגיטליים קודמים אינם מספקים

שיטות מחשב מוקדמות למדו ברובן מחלקים בלתי פגועים של אותה תמונה. חלקן מרחיבות צבעים וקצוות סמוכים לתוך החורים; אחרות מעתיקות ומדביקות טלאים דומים מאזורים שלמים. כלים אלה יכולים למלא פגמים דמויי חורים מסודרים, אך הם נכשלו כאשר גבולות שלמים חסרים או כאשר יש להסיק את נושא המיצג מתוך הקשר מועט מאוד. גישות למידה עמוקה מתקדמות יותר, כולל רשתות קונבולוציה ורשתות מולדות-מתחרות (GAN), שיפרו את הריאליזם אך עדיין עומדות בפני סחר: הן מעדיפות מרקמים מקומיים חדים ומאבדות את התמונה הכוללת, או שומרות על מבנה גלובלי תוך מטשטשות עבודת המברשת העדינה. שיטות מבוססות טרנספורמר, המצטיינות בקשרים לטווח ארוך, מסייעות באזורים חסרים גדולים אך עדיין מתקשות ליישר פרטים קטנים וצורות גדולות כאשר הנזק משתרע בסולמות מרובים.

מוח דו‑מסלולי כדי לראות גם קרוב וגם רחוק

WCT-Net מתמודדת עם הבעיה על ידי פיצול המשימה לשני ענפים משתפים בתוך רשת קידוד‑פיענוח בצורת U. ענף אחד משתמש בקונבולוציות מבוססות ויולט, שיטה המפרידה תמונה לרכיבים חלקים בתדרים נמוכים ולמרקמים חדים בתדרים גבוהים. באמצעות למידה על פסי תדר אלה, ענף זה מתמחה בשימור תכונות זעירות כגון קווי שיער, קפלי בגד והצללה עדינה שנותנים לציורים את אופיים המעשי. במקביל, ענף מבוסס טרנספורמר משתמש בתשומת לב‑עצמית כדי לקשר חלקים מרוחקים של התמונה, ולשחזר דפוסים לטווח ארוך כמו תנוחת סוס או קצב תהלוכה. יחידת מיזוג משופרת לומדת כיצד לשקלל ולמזג את שני סוגי המידע כך שאף אחד מהם לא יתגבר: המודל מכבד במקביל פרטים ששרדו ומסיק סצנה כוללת שמזמינה אמינות.

להכשיר את המערכת על נזקים ריאליסטיים

כדי לאמן ולבחון את WCT-Net, המחברים הרכיבו מאגר נתונים איכותי של ציורי קברי קיסר מאוסף ההיסטוריה של שג'יאןשי (Shaanxi History Museum), וחתכו תמונות גדולות לטלאים קטנים יותר. לאחר מכן הם יצרו שלוש משפחות של מסכות נזק מלאכותיות כדי לדמות פגעי עשייה אמיתיים: כתמים ושריטות אקראיים להתקלפות פנימית, אובדנים בלתי סדירים בגבולות כמו אלה שנגרמים על ידי חתיכות טיח שנופלות, ותבניות מעורבות שמשלבות את שניהם. המערכת למדה לשחזר את התמונות המקוריות מהגרסאות הפגועות הללו. הצוות השווה את WCT-Net מול שבעה אלגוריתמים מובילים לשחזור, באמצעות מדדים הלוכדים הן דיוק מבני והן טבעיות ויזואלית, ובחנו אותה גם על מאגר נפרד של ציורי דונחואנג בסגנון אמנותי שונה.

קווים חדים יותר, סצנות שלמות יותר ומה משמעות הדבר

בכל סוגי הנזק—בלאי פנימי, קצוות חסרים ושילובים מורכבים—WCT-Net ייצרה שחזורים ששמרו על רצף קווי המתאר, מרקמים חדים וקומפוזיציות שלמות יותר מאשר שיטות מתחרות. הניקוד האובייקטיבי השתפר בכמה אחוזים, והתמונות המיוצרות תואמות ביתר דיוק לתפיסת האדם של אותנטיות. אף על פי שהמודל כבד יותר חישובית ממספר יריבים, השיפורים בולטים במיוחד במקרים שבהם קשה לפרש את הציורים: כאשר גם הציור הפנימי וגם גבוליו החיצוניים הופרעו. עבור משמרי שמור המורשת, משמעות הדבר היא תצוגה דיגיטלית מהימנה יותר לפני מגע במשטחים שבירים; עבור היסטוריונים והציבור, זו חלון ברור יותר לעולם הוויזואלי של העבר. המחברים מציינים שעבודות עתידיות צריכות להתמודד טוב יותר עם סגנונות מגוונים ולהיות יעילות יותר בחישוב, אך WCT-Net מהווה צעד משמעותי לעבר שימוש בבינה מלאכותית כשותף זהיר ובעל-מודעות הקשר בשימור מורשת תרבותית.

ציטוט: 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

מילות מפתח: שחזור ציורי קיר דיגיטלי, שימור מורשת תרבותית, מילוי תמונה (inpainting), למידה עמוקה לאמנות, ציורי קברים עתיקים