שחזור תמונות כלי-ברונזה מחלידים באמצעות דיפוזיה במסגרת של התערבות-מזערית: מדדי ציות מרחבי ואבחון סיכון של שחזור-יתר

מדוע תמונות ברונזה ישנות עדיין חשובות היום

צילומים של כלי-ברונזה עתיקים מציגים לא רק חפצים יפים; הם מתעדים בשקט כיצד כל פריט הזדקן מתחת לפני הקרקע ובאחסון מוזיאלי. כתמי קורוזיה, שטחים מתקלפים ופטרינה רב-צבעונית אינם רק פגמים שיש “לנקות” על המסך. אלה רמזים פיזיקליים על ההיסטוריה. המחקר הזה שואל כיצד ניתן להשתמש בכלי בינה מלאכותית מודרניים לתיקון תמונות בלי למחוק בטעות את הרמזים הללו וליצור תמונה מטעה של העבר.

לתקן תמונות בלי למחוק את העבר

מוזיאונים וארכאולוגים מסתמכים על צילומים ארכיוניים של כלי-ברונזה למחקר, קטלוג ושיתוף אוספים. רבות מהתמונות האלה פגומות: חלקים חסרים, שריטות או כתמים מאוחרים. בעריכת תמונות יומיומית, התוכנה יכולה "להעצים" פגמים כאלה. אבל בתחום המורשת התרבותית, קרום קורוזיה ופטרינה טלאית הם ראיה, לא רעש. המחברים מציגים את השחזור הדיגיטלי כבעיית "התערבות מזערית": לשנות רק מה שצריך כדי להפוך את התמונה לקריאה, ולהשאיר עקבות משטח אותנטיים בעינם. כך השחזור הופך לא רק לשאלה של מראה חזותי, אלא של יושרה ואמינות.

שלושה כלים מבוססי בינה שנבחנו

המחקר משווה שלוש גישות בינה מתקדמות שיכולות למלא חלקים חסרים בתמונות. LaMa מייצג רשת ניורלית קונבנציונלית ומהירה שממלאת חורים בתמונה במעבר יחיד. Stable Diffusion Inpainting ו-ControlNet Inpainting הן מודלים מבוססי "דיפוזיה" שמחדשים בהדרגה תמונות ומוכרים בהפקת פרטים עשירים וריאליסטיים. לכל שלוש התבקש לתקן צילומים של כלי-ברונזה שנחצבו מהממלכה העתיקה גומיי, באמצעות אותם קלטים ומסכות נזק שהוכנו בקפידה שמסמנות היכן התוכן חסר באמת.

שיטה חכמה למדידת שינויים מועילים מול מזיקים

הערכת שחזור מסובכת משום שלרוב אין תמונת "אחרי" מושלמת של חפץ פגום. לכן המחברים תכננו שני מבחנים משלימים. ראשית, עבור תמונות יחסית שלמות, הם מחקו באופן מלאכותי אזורים ושאלו כל שיטה לשחזרם. כאן יכלו להשוות לתמונה המקורית ולחשב ניקוד סטנדרטי של איכות תמונה. שנית, עבור תמונות ארכיוניות שנפגעו באמת, שם אין אמת קרקע, המיקוד הוסט מ"כמה טוב זה נראה?" ל"איפה האלגוריתם שינה באמת את התמונה?" הם חלקו כל תמונה לשלוש אזורים: המסכה של הנזק שיש לשנות, רצועת סובלנות צרה מחוץ לאזור הזה שבה מעבר מסוים מקובל, ושאר המשטח שלא נגעו בו שבו שינויים מסוכנים.

איתור ומיפוי סיכון של שחזור-יתר

במקרים של נזק אמיתי, הצוות מדד כמה פעמים כל שיטה ביצעה שינויים חזקים בתוך המסכה, ברצועת הגבול ובהרחבה על פני משטחים שלכאורה היו שלמים. הם המחישו שינויים אלה כמפות חום, שמראות היכן הופיעו פיקסלים חדשים או צבעים שהשתנו. לאחר מכן הם הזמינו שלושה מומחים בשימור וארכאולוגיה לשפוט, באופן עיוור ביחס לשיטה, אילו תוצאות הרגישו אותנטיות והאם רמת ההתערבות הייתה מקובלת. כל שלוש המערכות יכלו בשיתוף להמשיל דפוסים וחוזרים חסרים, ודגמי הדיפוזיה לעתים ייצרו מרקמים מרשימים ויזואלית. אבל הן גם נטו להחליק או לצבוע בעדינות קורוזיה ופטרינה מחוץ לאזור הנזק, והגדילו את הסיכון של "מציאות שגויה" אטרקטיבית אך מטעה.

מה המחקר מלמד משמרים וטכנולוגים

המחברים מצאו כי LaMa, למרות פשטותו, שיחזר אזורים חסרים באופן שמרני כמעט כמו דגמי הדיפוזיה תוך גרימת פחות שינויים בלתי רצויים מעבר למסכה. Stable Diffusion ו-ControlNet סיפקו מילויים חדים ומתואמים יותר אך הראו שיעורי דליפה גבוהים יותר לאזורי משטח מקוריים, במיוחד באזורים עשירים בקורוזיה שחשובים כראיה. המומחים שפטו את רוב התוצרים מכל השיטות כחומר טיוטה שימושי לדיון והדרכה, אך לא כדימוי סופי ועצמאי שמחליף את החפצים האמיתיים. המחקר מסכם שכלים גנרטיביים חזקים חייבים לזווג עם בדיקות שקופות ומחמירות על היכן הם מתערבים. על ידי המרת אידיאל השימור של "התערבות מזערית" למדדים מרחביים ניתנים למדידה ולמפות סיכון חזותיות, המחברים מציעים למוזיאונים ולחוקרים דרך מעשית לנצל שחזור מבוסס AI תוך הגנה על האותנטיות.

ציטוט: 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

מילות מפתח: שחזור דיגיטלי, דימות של מורשת תרבותית, פריטים מברונזה, שחזור תמונה (inpainting), התערבות מזערית