Un modello di diffusione con iniezione multi-prior e attenzione gated per il restauro delle immagini delle pitture rupestri di Huashan

Ridare vita alle antiche pitture rupestri

Le pitture rupestri di Zuojiang Huashan nel sud della Cina costituiscono una vasta galleria sulla parete della scogliera dipinta oltre duemila anni fa. Oggi molte di queste figure e simboli ocra sono fortemente sbiaditi, crepati o addirittura mancanti. Questo articolo presenta un metodo digitale che utilizza tecniche avanzate di generazione di immagini per riparare virtualmente queste opere fragili, con l’obiettivo di supportare la conservazione accurata, la ricerca e la fruizione pubblica senza intervenire fisicamente sulla roccia.

Perché queste pitture rupestri sono importanti

Le pitture di Huashan si snodano lungo ripide scogliere fluviali e raffigurano figure umane accovacciate, scene rituali e altre forme simboliche in intensi toni rossi. È uno dei complessi di pitture rupestri più vasti e ricchi del sud della Cina e del Sud-est asiatico, e una parte fondamentale del patrimonio culturale Zhuang. Tuttavia i pigmenti, ottenuti da minerali ricchi di ferro, sono molto vulnerabili alla pioggia, al vento, alla crescita biologica e al contatto umano. Nei secoli ciò ha portato a colori sbiaditi, contorni rotti, aree scrostate e texture usurate e rumorose che possono essere difficili da distinguere dai motivi dipinti. Il restauro manuale tradizionale è lento, soggettivo e difficile da riprodurre, rendendo complicata la protezione di un sito così ampio e fragile su larga scala.

Come può aiutare il restauro intelligente

Il restauro digitale delle immagini offre un modo per «colmare i vuoti» virtualmente, seguendo il principio conservativo della minima intervento. Invece di ridipingere la scogliera, i computer inferiscono le forme e le texture probabili nelle aree mancanti, producendo risultati coerenti e reversibili che possono essere archiviati in alta risoluzione, usati per lo studio e condivisi con il pubblico tramite mostre ed esperienze immersive. I lavori precedenti sull’intelligenza artificiale applicata al patrimonio culturale si sono concentrati soprattutto sul rilevamento dei danni o sulla segmentazione dei motivi, o sul restauro di murali dove forme e texture sono più regolari. L’arte rupestre pone una sfida più difficile: il significato risiede in contorni sottili e pose simboliche, mentre le superfici sono fortemente deteriorate e irregolari. Un metodo di restauro deve rispettare le forme originali pur completando texture ruvide e rotte in modo credibile ma senza invenzioni eccessive.

Un nuovo set di dati per superfici rocciose degradate

Gli autori costruiscono innanzitutto un dataset dedicato al restauro delle pitture di Huashan. Raccolgono 528 immagini candidate da atlanti stampati e fonti online pubbliche, quindi le selezionano con cura per mantenere 177 immagini che mostrano chiaramente motivi rupestri insieme a degrado visibile come sbiadimento, scrostature e contorni sfumati. Tutte le immagini selezionate sono convertite in un formato colore comune e ridimensionate a 512×512 pixel, con la regione dipinta principale centrata. Per addestrare e testare i metodi di restauro in modo controllato, generano triplette per ogni campione: (1) un’immagine di riferimento pulita, (2) un’immagine d’ingresso in cui il 30–65% dell’area è mascherato con macchie nere per simulare i danni, e (3) una maschera che indica le regioni mancanti. Questa impostazione consente una valutazione oggettiva a livello di pixel di quanto bene diversi metodi possano ricostruire l’opera sottostante.

Insegnare a un modello a rispettare forma e superficie

Il nucleo dell’articolo è un framework di restauro basato su modelli di diffusione, una classe recente di metodi generativi che trasformano gradualmente rumore in immagini attraverso numerosi piccoli passi di denoising. Piuttosto che trattare tutti gli indizi visivi come un unico insieme, gli autori dividono la guida in due «priori» separati: uno che enfatizza la struttura (bordi e contorni simili a tratti) e uno che enfatizza la texture (grana fine e rugosità della superficie). Questi priori sono calcolati dalle parti ancora visibili di un’immagine danneggiata utilizzando filtri deterministici e poi codificati in mappe di feature. Un modulo di fusione con attenzione gated decide, a ogni passo di denoising, quanto fidarsi della guida strutturale rispetto a quella testurale e con quale intensità iniettarle nel processo di diffusione. All’inizio il sistema si affida maggiormente ai contorni stabili; più avanti, con la riduzione del rumore, presta più attenzione a ricostruire dettagli di texture che si integrino con la superficie rocciosa circostante.

Quanto bene si comporta il restauratore digitale

Il team addestra e testa il proprio metodo sul dataset di Huashan, confrontandolo con un’ampia gamma di modelli esistenti per il restauro d’immagine, dalle classiche reti encoder–decoder a approcci generativi avanzati e modelli a spazio di stato. Usando misure standard di errore, nitidezza e similarità strutturale, il loro modello ottiene errori a livello di pixel inferiori e una maggiore corrispondenza strutturale rispetto a tutti i baseline sul set di test dell’arte rupestre. Studi di ablazione mostrano che ogni componente aggiunto — l’estrazione prior a doppio ramo e la fusione con attenzione gated — apporta miglioramenti evidenti. I confronti visivi rivelano una continuazione più fluida dei contorni umani e simbolici e un’integrazione più naturale delle aree restaurate con gli sfondi usurati. Le mappe di attenzione indicano inoltre che il modello si concentra sui confini mancanti, sui contorni dei simboli chiave e sulle zone di transizione della texture, piuttosto che ridipingere ciecamente ampie aree.

Cosa significa questo per la protezione del passato

Per i non specialisti, la conclusione principale è che questo metodo offre un modo più cauto e interpretabile per riparare digitalmente le antiche pitture rupestri. Separando gli indizi di forma e di superficie e modulandone l’influenza nel tempo, il modello può riunire figure spezzate e colmare aree mancanti mantenendo l’aspetto e la sensazione materiale della scogliera originale. Gli autori sottolineano che il loro sistema è uno strumento di supporto e non un sostituto del giudizio degli esperti, e che sono necessari dati più diversi e valutazioni specialistiche. Tuttavia il lavoro indica un futuro in cui l’arte rupestre in pericolo può essere documentata, studiata e condivisa in forma digitalmente restaurata, preservando sia l’impatto visivo sia il significato culturale senza interventi fisici.

Citazione: Zhao, T., Huang, L., Qi, X. et al. A gated-attention multi-prior injection diffusion model for Huashan rock art image restoration. Sci Rep 16, 10414 (2026). https://doi.org/10.1038/s41598-026-41226-7

Parole chiave: restauro di arte rupestre, patrimonio culturale, modelli di diffusione, inpainting di immagini, pitture di Huashan