Een verbeterd semantisch- en schets‑bicon-ditioneel gestuurd model voor beeldinpainting van Chinese landschapsschilderkunst

Nieuw digitaal leven blazen in kwetsbare meesterwerken

Oude Chinese landschapsschilderijen, gewaardeerd om hun nevelige bergen en vloeiende penseelvoering, zijn ook kwetsbare voorwerpen: eeuwen van hantering, insecten en vocht laten ze vol scheuren, wormgaten en ontbrekende delen achter. Conserveerders moeten bewaren wat er nog is terwijl ze verdere schade vermijden. Deze studie introduceert een kunstmatige intelligentie (AI)-methode die specifiek is ontworpen om deze schilderijen digitaal te helpen herstellen, gaten op te vullen en tegelijk trouw te blijven aan de oorspronkelijke structuur en stijl van de kunstenaar.

Waarom oude schilderijen nieuwe technologie nodig hebben

Traditionele Chinese landschappen volgen grofweg twee tradities: de Noordelijke School, met zijn gedurfde, torenhoge pieken, en de Zuidelijke School, bekend om zachte inkwassingen en lege ruimte. Beide leunen op subtiele variaties in lijn en toon die gemakkelijk verstoord raken wanneer papier of zijde achteruitgaat. Handmatige retouches kosten veel tijd en zijn onomkeerbaar; één verkeerde streek kan een meesterwerk blijvend veranderen. Eerdere digitale technieken kopieerden dichtbijgelegen pixels of vertrouwden op algemene fotobewerkingshulpmiddelen. Ze konden gaten in een straatfoto repareren, maar faalden vaak bij schilderijen, waardoor ongelukkige rotsen, verbrijzelde boomstammen of penseelvoering ontstond die experten gewoon ‘‘niet goed’’ vond.

Hoe de nieuwe AI structuur en betekenis leert

Om deze beperkingen te overwinnen, ontwierpen de auteurs een restauratiesysteem dat een schilderij gelijktijdig op drie elkaar aanvullende manieren bekijkt. Eerst extraheert het een gedetailleerde “schets” die de sterkte van elke lijn toont, van gedurfde bergruggen tot vage textuurstreken, met een randdetectienetwerk dat is afgestemd op het behouden van delicate inkovertgangen. Ten tweede bouwt het een kleurgecodeerde kaart van wat elk gebied voorstelt — lucht, water, rots, gebladerte — met een onbewaakt semantisch segmentatiemodel. Ten derde analyseert het de gedeeltelijk gemaskeerde afbeelding zelf. Deze drie stromen worden samengevoegd en gevoed aan een Transformer, een krachtige AI‑architectuur oorspronkelijk ontwikkeld voor taal, die voorspelt hoe de ontbrekende delen eruit moeten zien zodat ze passen bij zowel de onderliggende structuur als de algehele scène.

De AI leren penseelvoering te imiteren, niet alleen vormen

De compositie matchen is slechts de helft van de uitdaging; de invulling moet ook passen bij de hand van de kunstenaar. Het team voegde daarom een lichtgewicht module voor het extraheren van stilistische kenmerken toe die zich richt op de subtiele kwaliteiten van penseelvoering en inkt — hoe streken aflopen, hoe textuur op rotsvlakken opbouwt, hoe washes vervagen in blanco papier. Deze module distilleert stijlrelevante informatie uit de zichtbare delen van het schilderij en injecteert die in meerdere stadia terwijl het systeem de ontbrekende gebieden reconstrueert, waardoor de uitvoer wordt gestuurd naar hetzelfde ritme en dezelfde tonaliteit als het origineel. De training wordt gestuurd door een samengestelde doelstelling die niet alleen pixelniveaufouten bestraft, maar ook mismatches in waargenomen structuur, textuurstatistieken en algemene stijl, wat resultaten aanmoedigt die voor het menselijk oog ‘‘juist’’ lijken, niet alleen voor een rekentool.

De methode op de proef stellen

Om de aanpak te evalueren, stelden de onderzoekers een grote dataset samen van bijna 5.000 hoogkwalitatieve landschapsschilderijen uit openbare museumcollecties en een publiek benchmark, met een balans tussen Noordelijke en Zuidelijke School‑werken. Ze pasten digitaal onregelmatige maskers toe die echte schade nabootsen — kleine verliezen, brede krassen en gecentraliseerde wormgaten — en vergeleken hun methode met zes toonaangevende inpainting‑systemen, inclusief veelgebruikte convolutionele netwerken, Transformer‑modellen en moderne diffusie‑modellen. Over een reeks schadingsniveaus behaalde het nieuwe model consequent hogere scores op scherpte, structurele gelijkenis en visuele realisme. Vergelijkingen onder vergroting toonden gladdere bergcontouren, overtuigender boomtakken en inkttexturen die naadloos in de onaangetaste gebieden overvloeiden. Menselijke beoordelaars, waaronder opgeleide schilders, gaven ook de voorkeur aan de restauraties van dit model en oordeelden dat ze coherenter waren in zowel structuur als stijl.

Wat dit betekent voor het cultureel erfgoed

Eenvoudig gezegd toont de studie aan dat een AI‑systeem niet alleen kan worden getraind om «gaten op te vullen» in afbeeldingen, maar ook om de innerlijke logica en persoonlijkheid van traditionele Chinese landschapsschilderkunst te respecteren. Door lijntekeningen, regiomeaning en stilistische aanwijzingen te combineren, reconstrueert het model ontbrekende delen die eruitzien alsof ze echt tot het originele handscroll zouden kunnen behoren. Hoewel het geen conservatoren kan vervangen, biedt het musea en onderzoekers een krachtig, niet‑invasief hulpmiddel om mogelijke restauraties te visualiseren, behandelingen te plannen en meer volledige digitale surrogaten van kwetsbare werken te creëren — waardoor deze landschappen bewaard blijven en bestudeerd kunnen worden, lang nadat het papier te fragiel is geworden om nog uit te rollen.

Bronvermelding: Cao, S., Mu, D., Zhang, Y. et al. An improved semantic and sketch biconditional guided image inpainting model for Chinese landscape painting. npj Herit. Sci. 14, 103 (2026). https://doi.org/10.1038/s40494-026-02371-4

Trefwoorden: digitale restauratie, Chinese landschapsschilderkunst, beeldinpainting, cultureel erfgoed, kunstconservatie