DCADif: ontkoppelde conditionele adaptieve tijd-dynamische fusie-diffusie voor het inpainten van traditionele Chinese muurschilderingen

Oud wandkunst nieuw leven inblazen

Door heel China zijn tempelwanden en grotgewelven bedekt met eeuwenoude muurschilderingen die verbleken, afbladderen en barsten. Deze schilderingen zijn niet alleen mooi; ze vormen visuele documenten van overtuigingen, verhalen en het dagelijks leven uit lang vervlogen tijden. Handmatige restauratie is moeilijk, traag en soms risicovol voor de fragiele ondergronden. Deze studie presenteert een nieuwe methode met kunstmatige intelligentie (AI), DCADif geheten, die experts helpt bij het digitaal "inpainten" van ontbrekende of beschadigde delen van muurschilderingen, terwijl zowel de tekening als de stijl trouw aan het originele werk blijven.

Waarom oude muurschilderingen zo lastig te herstellen zijn

Traditionele Chinese muurschilderingen zijn veel meer dan gekleurde afbeeldingen op een muur. Ze verweven complexe composities, fijne lijnen en subtiele texturen die ontstaan door oude pigmenten en gereedschappen. Wanneer tijd, vocht en vervuiling gaten en vlekken achterlaten, moeten conservatoren raden wat die plekken ooit bevat hebben. Digitale inpainting-tools proberen hetzelfde, maar de meeste bestaande methoden verwarren twee cruciale taken: het herbouwen van de onderliggende vormen en het behouden van de unieke artistieke stijl. Daardoor kunnen herstelde zones structureel incorrect lijken, of de vormen kloppen maar gaat het historische gevoel van het originele penseelwerk en de kleur verloren. De uitdaging is om tegelijk zowel het "skelet" als de "ziel" van het schilderij te herstellen.

Een AI leren structuur en stijl apart te zien

Het DCADif-systeem pakt deze uitdaging aan door het probleem in twee stromen te splitsen. Eerst zetten de onderzoekers een muurschildering om in eenvoudige lijntekeningen, vergelijkbaar met een inktcontour. Deze uitgeklede versie legt vast waar figuren, objecten en grenzen zich bevinden, zonder afleiding van kleur of textuur. Een krachtig visueel model (aangepast van een hulpmiddel dat oorspronkelijk getraind is op miljoenen afbeeldingen) leest deze lijntekening en destilleert die tot een compacte beschrijving van de structuur van de muurschildering. In een afzonderlijk pad bestudeert een nieuw "SwinStyle"-encoder de oorspronkelijke beschadigde schildering zelf om de stijlvingerafdruk te leren: hoe kleuren vervloeien, hoe penseelstreken buigen en hoe oppervlakken barsten of vervagen. Door deze twee beschrijvingen — structuur en stijl — gescheiden te houden, kan DCADif ze later onafhankelijk sturen tijdens de restauratie.

Het beeld laten ontstaan uit ruis

Centraal in DCADif staat een diffusie-model, een type AI dat beelden creëert door te beginnen met willekeurige ruis en dat stapsgewijs "denoiseert" tot een realistisch plaatje. Dit proces verloopt over veel kleine stappen, een beetje zoals kijken naar een vage afbeelding die langzaam scherp wordt. De auteurs ontwierpen een Time-Adaptive Feature Fusion-module die fungeert als een slimme regeling tussen structuur en stijl terwijl het beeld ontstaat. In de vroege, zeer rumoerige stadia vertrouwt het model sterk op structuur, waarbij de lijntekening wordt gebruikt om correcte vormen en contouren neer te leggen. Naarmate de ruis vermindert en het beeld helderder wordt, draait de regeling langzaam naar stijl, waardoor rijke kleuren, texturen en historische details kunnen binnensijpelen zonder het onderliggende ontwerp te vervormen.

Testen op een nieuwe bibliotheek van muurschilderingen en schilderijen

Om te beoordelen of DCADif daadwerkelijk digitale restauratie verbetert, stelde het team een grote nieuwe dataset samen, MuralVerse-S genoemd, opgebouwd uit muurschilderingen uit regio's zoals Dunhuang, Gansu, Hebei en Binnen-Mongolië, samen met realistische maskers die echte scheuren en afbladderende verf nabootsen. Ze vergeleken DCADif met negen toonaangevende inpainting-methoden, variërend van oudere convolutionele netwerken en transformer-gebaseerde modellen tot andere diffusiebenaderingen. Over meerdere niveaus van gesimuleerde schade produceerde DCADif afbeeldingen met scherpere structuren, coherente globale indelingen en texturen die menselijke waarnemers dichter bij de originelen vonden. De methode presteerde ook goed op een afzonderlijke collectie Chinese landschapschilderijen en reconstrueerde subtiele inkttrekken en bergcontouren, wat suggereert dat ze verder reikt dan alleen muurschilderingen.

Wat dit betekent voor cultureel erfgoed

Behalve cijfers en diagrammen vroegen de onderzoekers 50 kunstspecialisten en promovendi om verschillende restauratieresultaten te beoordelen. De deelnemers gaven consequent de hoogste scores aan DCADif voor inhoudsnauwkeurigheid, stilistische trouw en algemene kwaliteit. Reële voorbeelden, waaronder bekende werken zoals Hofdames met bloementooien, toonden dat het systeem ontbrekende gezichten, kledingstukken en decoratieve motieven kan invullen op een manier die naadloos opgaat in de omliggende schildering. De auteurs erkennen echter ook beperkingen: wanneer enorme gebieden verwoest zijn, loopt elke digitale gok het risico historisch onjuist te zijn, en de methode blijft rekenkundig zwaar. Desondanks biedt DCADif conservatoren een nieuw, niet-invasief hulpmiddel — een dat zorgvuldige, hoogwaardig-faithful reconstructies kan voorstellen terwijl de oorspronkelijke wand ongemoeid blijft, en musea en onderzoekers helpt onvervangbare culturele schatten beter te bestuderen, visualiseren en beschermen.

Bronvermelding: Peng, X., Li, C., Hu, Q. et al. DCADif: decoupled conditional adaptive time-dynamic fusion diffusion inpainting of traditional Chinese mural paintings. npj Herit. Sci. 14, 61 (2026). https://doi.org/10.1038/s40494-026-02327-8

Trefwoorden: digitale muurreconstructie, beeld-inpainting, diffusiemodellen, Chinees cultureel erfgoed, conservatietechnologie voor kunst