Digitale restauratie van oude Jiangnan-muurschilderingen via proxy-leren en structurele begeleiding

Het redden van vervagende wandschilderingen

In de vochtige rivierlanden van Zuid-China verdwijnen eeuwenoude muurschilderingen langzaam. Hitte, vocht en tijd vreten aan het pleisterwerk, wat leidt tot scheuren, vlekken en afbladdering die kostbaar en risicovol zijn om met de hand te herstellen. Dit artikel presenteert een nieuwe manier waarop computers deze kwetsbare Jiangnan-muurschilderingen digitaal kunnen "restaureren", en de scènes en penseelstreken op het scherm kunnen herstellen zonder de originele muren aan te raken. Het werk is van belang niet alleen voor kunstliefhebbers, maar voor iedereen die geïnteresseerd is in hoe moderne technologie kan helpen het culturele geheugen van de wereld te bewaren.

De verborgen schatten van Jiangnan

De onderzochte muurschilderingen bevinden zich in ancestral halls, tempels en oude woningen in de provincie Zhejiang. In tegenstelling tot de beroemde woestijngrotten van Dunhuang staan deze werken in een hete, vochtige omgeving die vooral schadelijk is voor materialen van aarde, hout en kalk. Inventarisaties laten zien dat veel muurschilderingen overlappende beschadigingen vertonen: scheuren, schimmel, verkleuring, waterkringen en plekken waar de verflagen zijn losgeraakt. Fysiek herstel is duur, onomkeerbaar en technisch veeleisend, dus digitale restauratie — het beeld herstellen in pixels in plaats van pleister — biedt een veiliger eerste beschermingslijn. Maar juist de eigenschappen die deze muurschilderingen bijzonder maken, bemoeilijken ook de verwerking door computers.

Waarom gewone AI tekortschiet

Moderne beeldherstelprogramma's op basis van deep learning vertrouwen doorgaans op enorme verzamelingen "voor en na"-beeldparen voor training. Voor Jiangnan-muurschilderingen bestaan zulke gegevens simpelweg niet: de werken zijn verspreid, werden door vele verschillende volkskunstenaars gemaakt, en hun oorspronkelijke, onbeschadigde verschijning is onbekend. Tegelijkertijd verwart de schade zelf standaardalgoritmen. Donkere scheuren en schimmelplekken kunnen erg lijken op delicate inktlijnen, dus een model dat blind volgt wat zichtbaar is, heeft de neiging de beschadiging te kopiëren in plaats van deze te verwijderen. Als gevolg laten kant-en-klare restauratietools ofwel vlekken achter of verzinnen details die botsen met de traditionele stijl van de muurschilderingen.

Stijl leren van verwante kunst

Om uit deze impasse te breken, stellen de auteurs een werkwijze voor die Structurally Guided Proxy Restoration (SGPR) heet. De eerste stap is het scheiden van "stijl leren" en "muurschildering herstellen." In plaats van direct te trainen op de schaarse muurfoto's, verzamelen ze een grote proxyverzameling van meer dan zesduizend klassieke Chinese schilderijen uit musea. Deze beelden delen dezelfde artistieke taal als Jiangnan-muurschilderingen: de manier waarop lijnen vloeien, hoe inktlagen worden opgebouwd, en hoe composities zijn ingericht. Een krachtig beeldgenerator, gebaseerd op recente diffusietechnologie, wordt vervolgens fijn afgesteld op deze proxyset. Een speciale verliesfunctie stimuleert het model niet alleen om texturen na te bootsen, maar ook om bredere artistieke kenmerken vast te leggen zoals het ritme van penseelvoering en kleurbalans. Het resultaat, genoemd ArtBooth, is een generator die traditioneel Chinees schilderen vloeiend "spreekt", ook al heeft hij de werkelijk beschadigde muurschilderingen nooit gezien.

Schone lijnen vinden in vuile beelden

De tweede belangrijke stap is het uitpellen van de oorspronkelijke structuur van de muurschilderingen uit rommelige foto’s. Hier introduceren de auteurs een Selective Feature Extraction-algoritme dat geen leren vereist. Het bekijkt dezelfde beschadigde muurschildering op twee beeldschaalniveaus en voert op elke versie twee eenvoudige randdetectoren uit. Kenmerken die consequent in beide detectoren en beide schalen verschijnen, zijn waarschijnlijk echte lijnen van de tekening — zoals de omtrek van een mantel of de stam van een boom — terwijl willekeurige spikkels en vlekken waarschijnlijk schimmel of vlekken zijn. Door deze signalen te versmelten in een "envelop"-masker versterkt het algoritme betrouwbare lijnen en onderdrukt het ruis, waardoor twee schone leidende kaarten ontstaan: een scherp lijntekening en een verfijnde randkaart die de ware structuur benadrukken en veel van de aantasting negeren.

Geleide digitale reparatie in de praktijk

Het laatste deel van SGPR koppelt deze schone structurele kaarten aan de stijlbewuste generator via een geoptimaliseerd controlenetwerk. Tijdens de restauratie worden de beschadigde muurfoto en een korte tekstprompt aan ArtBooth gevoerd, terwijl de gefilterde lijn- en randkaarten functioneren als een soort steigerwerk. Een aangepaste versie van het ControlNet-framework injecteert deze kaarten in de interne lagen van de generator en stuurt iedere denoisingstap zachtjes, zodat nieuwe pixels de originele lay-out en penseelvoering volgen in plaats van weg te drijven naar generieke scènes. Tests op zowel gesimuleerde schade als echte muurschilderingen uit het dorp Songxi tonen aan dat dit gecombineerde systeem vlekken en scheuren grondiger verwijdert dan bestaande methoden, figuren en objecten op de juiste plek houdt en beelden produceert die deskundigen beoordeelden als dicht bij de kwaliteit van zorgvuldige handmatige digitale restauratie.

Wat dit betekent voor cultureel erfgoed

Voor niet-specialisten is de conclusie eenvoudig: door de visuele taal van verwante kunstwerken te leren en zorgvuldig echte lijnen van schade te scheiden, kan AI nu museale digitale retouches aanbieden voor kwetsbare muurschilderingen die anders zouden vervagen. Hoewel de methode nog moeite heeft wanneer hele delen van een schildering ontbreken en nog niet is uitgebreid naar rijk gekleurde werken, biedt zij conservatoren al een krachtig nieuw instrument. Breder gezien laat de studie zien hoe slim gebruik van proxydata en structurele begeleiding kan helpen vele soorten erfgoedobjecten te beschermen die te zeldzaam, te beschadigd of te kostbaar zijn om de enorme trainingssets te leveren die moderne AI doorgaans vereist.

Bronvermelding: Yang, C., Liu, Y. & Cai, Y. Digital restoration of ancient Jiangnan murals via proxy learning and structural guidance. npj Herit. Sci. 14, 182 (2026). https://doi.org/10.1038/s40494-026-02369-y

Trefwoorden: digitale muurschilderingsrestauratie, bescherming van cultureel erfgoed, beeldgenererende AI, Chinese schilderstijl, schadebestendige kenmerkextractie