WCT-Net: restauro congiunto di affreschi tombali basato su convoluzione wavelet e rete collaborativa con self-attention Transformer

Perché salvare gli antichi dipinti murali richiede nuovi strumenti

In tutta la Cina, nelle tombe antiche si trovano affreschi che si sgretolano, presentano crepe e si sfogliano ai bordi. Questi murali raffigurano scene di vita reale, credenze e abilità artistiche che non possiamo più osservare di persona. Ma molti frammenti sono così danneggiati che perfino gli esperti fanno fatica a immaginare il loro aspetto originario. Questo studio presenta un nuovo tipo di sistema di intelligenza artificiale, WCT-Net, progettato per "riparare" digitalmente queste immagini compromesse, offrendo indicazioni più sicure per i restauratori e rappresentazioni più ricche per i ricercatori e il pubblico.

I problemi nascosti all'interno degli affreschi deteriorati

Gli affreschi tombali affrontano una doppia minaccia. Col passare dei secoli, l'umidità penetra attraverso il terreno e la pietra, portando sali che cristallizzano all'interno dell'intonaco. Questo indebolisce gli strati sottostanti la pittura, provocando il distacco, la formazione di crepe e il distacco di porzioni. Il risultato è spesso un piccolo frammento sopravvissuto con due tipi di danno contemporanei: i bordi esterni mancanti rendono incompleta la composizione complessiva, e l'interno è segnato da sbiadimento, sfogliatura e microcrepe. Il restauro tradizionale manuale si basa sull'accostamento dei frammenti e su una riadesione accurata, ma quando grandi aree sono perdute, il lavoro di congettura può portare a errori o perfino a nuovi danni. Il restauro digitale promette un'alternativa reversibile e non a contatto—ma solo se i computer possono sia inventare strutture mancanti plausibili sia preservare fedelmente i dettagli sopravvissuti.

Perché i rifacimenti digitali precedenti non bastano

I metodi informatici precedenti imparavano soprattutto dalle parti intatte della stessa immagine. Alcuni diffondevano colori e contorni vicini nei vuoti; altri copiarono e incollarono patch simili da regioni intatte. Questi strumenti possono riempire difetti ordinati e simili a buchi, ma falliscono quando mancano interi bordi o quando il soggetto del murale va dedotto da pochissimo contesto. Approcci più recenti di deep learning, incluse reti convoluzionali e reti antagoniste generative, hanno migliorato il realismo ma continuano a confrontarsi con un compromesso: o privilegiano texture locali nitide perdendo il quadro d'insieme, o mantengono la struttura globale sfocando il lavoro fine del pennello. I metodi basati su Transformer, che eccellono nelle relazioni a lungo raggio, aiutano con ampie aree mancanti ma faticano ancora ad allineare dettagli minuti e forme grandi quando il danno interessa diverse scale.

Un cervello a doppio binario per vedere vicino e lontano

WCT-Net affronta questo problema dividendo il compito in due rami cooperanti all'interno di una rete a U con encoder e decoder. Un ramo usa convoluzioni basate su wavelet, un modo per separare un'immagine in componenti lisce a bassa frequenza e trame nitide ad alta frequenza. Imparando su queste bande, questo ramo si specializza nel preservare piccole caratteristiche come linee sottili, pieghe dei vestiti e sfumature che conferiscono ai murali il loro carattere artigianale. In parallelo, un ramo basato su Transformer utilizza la self-attention per collegare parti distanti dell'immagine, cogliendo pattern a lunga distanza come la posa di un cavallo o il ritmo di una processione. Un'unità di fusione avanzata impara poi come pesare e mescolare questi due tipi di informazione in modo che nessuno prevalga: il modello allo stesso tempo rispetta i dettagli sopravvissuti ed extrapola una scena d'insieme credibile.

Insegnare al sistema usando danni realistici

Per addestrare e testare WCT-Net, gli autori hanno assemblato un dataset di alta qualità di affreschi tombali provenienti dal Museo di Storia dello Shaanxi, ritagliando grandi fotografie in patch di immagine più piccole. Hanno poi creato tre famiglie di maschere di danno artificiali per imitare il degrado reale: macchie e graffi casuali per la sfogliatura interna, perdite di bordo irregolari come quelle causate da porzioni di intonaco staccato, e pattern misti che combinano entrambi. Il sistema ha imparato a ricostruire le immagini originali a partire da queste versioni danneggiate. Il team ha confrontato WCT-Net con sette algoritmi di restauro di punta, usando misure che catturano sia l'accuratezza strutturale sia la naturalezza visiva, e lo ha testato anche su un dataset separato di murali di Dunhuang con uno stile artistico diverso.

Linee più nette, scene più complete e cosa significa

Per tutti i tipi di danno—usura interna, bordi mancanti e combinazioni complesse—WCT-Net ha prodotto restauri che mantenevano le linee di contorno continue, le trame nitide e composizioni complessive più complete rispetto ai metodi concorrenti. I punteggi oggettivi sono migliorati di diversi punti percentuali e le immagini generate corrispondevano più da vicino alla percezione umana di autenticità. Sebbene il modello sia computazionalmente più pesante di alcuni rivali, i suoi vantaggi si manifestano soprattutto dove gli affreschi sono più difficili da interpretare: quando sia la pittura interna sia i confini esterni sono stati compromessi. Per i restauratori questo significa un'anteprima digitale più affidabile prima di intervenire su superfici fragili; per gli storici e il pubblico, offre finestre più chiare sul mondo visivo del passato. Gli autori osservano che lavori futuri dovranno gestire meglio stili diversi e funzionare con maggiore efficienza, ma WCT-Net rappresenta un passo significativo verso l'uso dell'IA come partner attento e consapevole del contesto nella conservazione del patrimonio culturale.

Citazione: 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

Parole chiave: restauro digitale degli affreschi, conservazione del patrimonio culturale, inpainting di immagini, deep learning per l'arte, affreschi di tombe antiche