AFMNet: een activatievrije muurschildering-completienetwerk via multi-head attention-mechanisme

Waarom het behoud van verbleekte muurschilderingen belangrijk is

Oude muurschilderingen in tempels en grotten zijn niet alleen mooie versieringen; ze zijn visuele verslagen van hoe mensen ooit leefden, baden, zich kleedden en de wereld voorstelden. Helaas zijn veel van deze muurschilderingen gebarsten, aan het bladderen of gedeeltelijk verloren. Handmatig restaureren is traag, risicovol en soms onmogelijk. Deze studie introduceert AFMNet, een nieuwe computermethode die beschadigde gebieden van muurschilderingsbeelden digitaal kan "opvullen" op een manier die voor het oog overtuigend is, efficiënt draait op bescheiden hardware en helpt kwetsbare culturele schatten te beschermen voor onderzoek en virtuele presentatie.

Het probleem van beschadigde schilderijen

Traditionele digitale reparatiehulpmiddelen kopiëren meestal nabijgelegen kleuren en texturen naar ontbrekende gebieden, wat werkt bij kleine krassen maar faalt wanneer hele gezichten, handen of decoratieve motieven verdwenen zijn. Moderne kunstmatige-intelligentiemethoden kunnen plausibele inhoud bedenken voor grote gaten, maar de meeste zijn ontworpen voor alledaagse foto’s, niet voor de unieke stijlen van oude kunst. Muurschilderingen bevatten vaak unieke figuren, ingewikkelde randen en onregelmatige scheuren die geen nette vormen volgen. Bestaande systemen vervagen vaak belangrijke details, introduceren ongemakkelijke vormen, of vereisen veel rekenkracht wat onpraktisch is voor veel musea en conserveringslaboratoria.

Een slank netwerk ontworpen voor muurschilderingen

AFMNet is een compact beeldverwerkingsnetwerk in U-vorm, met een encoder die een beschadigd beeld afbreekt in kenmerken en een decoder die het weer opbouwt tot een compleet beeld. Wat het bijzonder maakt is een dubbelstroomontwerp: de ene stroom draagt informatie over de zichtbare delen van de muurschildering, de andere stroom draagt een kaart van welke pixels ontbreken of onbetrouwbaar zijn. Deze kaart wordt bij elke stap bijgewerkt, zodat het systeem altijd weet waar het originele beeld te vertrouwen is en waar het nieuwe inhoud moet verzinnen. Door expliciet gezonde en beschadigde gebieden te scheiden, richt AFMNet zich op de plekken waar dat het meest nodig is en vermijdt het onnodige aanpassingen van intacte delen.

Het mengen van globale patronen met fijne details

Om geloofwaardige reparaties te maken, moet het systeem zowel het algemene plaatje als kleine penseelstreken begrijpen. De kernbouwsteen van AFMNet pakt dit aan door het beeld tegelijk op drie aanvullende manieren te bekijken. In de ruimtelijke weergave onderzoekt het lokale pixelbuurten, wat helpt bij het omgaan met scheuren en randen. In de frequentieweergave gebruikt het een wiskundige transformatie om bredere structuren en herhalende motieven over de hele muurschildering te zien. In de kanaalweergave leert het welke combinaties van kleur en textuur de belangrijkste artistieke signalen dragen, en het versterkt die stilletjes terwijl het minder nuttige informatie negeert. In plaats van te vertrouwen op standaard, rekenintensieve activatiefuncties, gebruikt AFMNet een eenvoudig poortmechanisme dat paren kenkaartkaarten vermenigvuldigt om non-lineariteit te creëren, waarmee de modelgrootte en berekening worden verminderd zonder expressiviteit op te offeren.

Afstandsgebieden met elkaar laten praten

Veel muurschilderingen bevatten figuren, ornamenten en achtergronden die over grote afstanden op de muur met elkaar verbonden zijn. Om deze ver uit elkaar liggende elementen te verbinden, voegt AFMNet een lichtgewicht multi-head attention-module toe op het smalste punt van de U. Hier kan elk deel van het beeld naar alle andere geldige delen "kijken" en beslissen welke delen de reparatie moeten beïnvloeden. Verschillende attention-heads kunnen zich specialiseren in verschillende relaties—bijvoorbeeld het behouden van de kromming van een halo of het uitlijnen van een herhaald randpatroon. Cruciaal is dat de attention-module ook de schadekaart ziet, zodat het leert geen beslissingen te baseren op gebieden die al synthetisch zijn opgevuld en mogelijk nog onzeker zijn.

Aantonen dat het in de praktijk werkt

Om AFMNet grondig te testen, trainden de auteurs het eerst op een grote collectie alledaagse scènes en finetuneden het vervolgens op een zorgvuldig samengestelde set Dunhuang-grotmuurschilderingen. Ze creëerden realistische schadekaarten met behulp van een random-walk-proces dat echte scheuren en bladdering imiteert. Over verschillende niveaus van schade presteerde AFMNet consequent beter dan bekende concurrerende methoden op standaard beeldkwaliteitsmaatstaven, terwijl het ongeveer een derde minder parameters gebruikte dan een sterke baseline. Visuele vergelijkingen op zowel synthetische als daadwerkelijk beschadigde muurschilderingen toonden dat AFMNet beter gezichtskenmerken, decoratieve lijnen en subtiele texturen behoudt, met minder storende artefacten, zelfs bij hogere resoluties die vaak voorkomen in museumbeeldvorming.

Wat dit betekent voor cultureel erfgoed

In eenvoudige woorden is AFMNet een slimme, efficiënte digitale restorer die ontbrekende delen van oude muurschilderingen kan raden op een manier die hun stijl en structuur respecteert. Het gaat complexere scheuren en pigmentverlies doorgaans eleganter aan dan veel bestaande hulpmiddelen en kan snel genoeg draaien op standaardcomputers of laptops om ter plaatse te worden gebruikt. Hoewel het nog steeds moeite heeft met de ernstigste roetbeschadiging en zeer ingewikkelde texturen, biedt het conserveraars en onderzoekers een krachtig hulpmiddel om te visualiseren hoe beschadigde werken er ooit uitgezien kunnen hebben, fysieke interventies veiliger te plannen en boeiende digitale tentoonstellingen te creëren die kwetsbare muurschilderingen voor een breed publiek tot leven brengen.

Bronvermelding: Hu, C., Luo, D., Xia, G. et al. AFMNet: an activation-free mural completion network via multi-head attention mechanism. npj Herit. Sci. 14, 239 (2026). https://doi.org/10.1038/s40494-026-02379-w

Trefwoorden: digitale muurrestitutie, beeldinpainting, cultureel erfgoed, deep learning, attention-netwerken