WCT-Net: gezamenlijke restauratie van tombe-muurschilderingen op basis van wavelet-convolutie en transformer self-attention samenwerkend netwerk

Waarom het redden van oude muurschilderingen nieuwe hulpmiddelen nodig heeft

In heel China bevatten oude tombes muurschilderingen die aan het verpulveren zijn, barsten vertonen en aan de randen afbladderen. Deze muurschilderingen leggen taferelen van koninklijk leven, overtuigingen en vakmanschap vast die we niet meer direct kunnen aanschouwen. Maar veel fragmenten zijn zo beschadigd dat zelfs deskundigen moeite hebben zich voor te stellen hoe ze er ooit uitzagen. Deze studie presenteert een nieuw type kunstmatig-intelligentiesysteem, WCT-Net, ontworpen om deze gebroken beelden digitaal te "herstellen", waardoor conservatoren veiliger kunnen worden begeleid en onderzoekers en het publiek rijkere beelden krijgen.

De verborgen problemen in gebroken muurschilderingen

Muurschilderingen in tombes lopen een dubbel risico. Door de eeuwen heen sijpelt vocht door aarde en steen en brengt zouten mee die in het pleisterwerk kristalliseren. Dit verzwakt de lagen onder de verf, waardoor delen losraken, barsten en afbrokkelen. Het resultaat is vaak een klein overgebleven fragment met twee soorten schade tegelijk: de buitenranden ontbreken, zodat de compositie incompleet is, en het binnenste is getekend door vervaging, afschilfering en fijne scheurtjes. Traditionele handmatige restauratie steunt op het matchen van fragmenten en zorgvuldig opnieuw verlijmen, maar als grote gebieden weg zijn, kan giswerk tot fouten of zelfs nieuwe schade leiden. Digitale restauratie belooft een omkeerbaar, contactloos alternatief — mits computers zowel plausibele ontbrekende structuren kunnen verzinnen als de overgebleven details trouw kunnen bewaren.

Waarom eerdere digitale oplossingen tekortschieten

Eerdere computermethoden leerden voornamelijk van onbeschadigde delen van hetzelfde beeld. Sommige verspreidden aangrenzende kleuren en randen in gaten; andere kopieerden en plakten vergelijkbare stukken uit intacte gebieden. Deze hulpmiddelen kunnen nette, gat-achtige defecten opvullen, maar falen wanneer hele randen ontbreken of wanneer het onderwerp van de muurschildering uit zeer weinig context moet worden afgeleid. Recente deep-learningbenaderingen, waaronder convolutionele neurale netwerken en generative adversarial networks, verbeterden de realisme maar staan nog steeds voor een afweging: ze geven ofwel de voorkeur aan scherpe lokale texturen ten koste van het grote geheel, of ze behouden de globale structuur terwijl fijne penseelvoering vervaagt. Transformer-gebaseerde methoden, die uitblinken in langafstandrelaties, helpen bij grote ontbrekende gebieden maar worstelen nog steeds om kleine details en grote vormen op één lijn te brengen wanneer schade meerdere schalen overspant.

Een tweesporig brein om zowel dichtbij als veraf te zien

WCT-Net pakt dit probleem aan door de taak te splitsen in twee samenwerkende takken binnen een U-vormig encoder–decoder-netwerk. De ene tak gebruikt wavelet-gebaseerde convoluties, een manier om een afbeelding te scheiden in vloeiende, laagfrequente componenten en scherpe, hoogfrequente texturen. Door op deze banden te leren, specialiseert deze tak zich in het behouden van kleine kenmerken zoals haarlijnen, plooien in kleding en subtiele schaduwwerking die muurschilderingen hun ambachtelijke karakter geven. Parallel daarvan gebruikt een Transformer-gebaseerde tak self-attention om verre delen van het beeld met elkaar te verbinden, waardoor langafstandspatronen zoals de houding van een paard of het ritme van een processie worden opgepikt. Een verbeterde fusie-eenheid leert vervolgens hoe deze twee soorten informatie gewogen en gemengd moeten worden zodat geen van beide domineert: het model eert tegelijk de overgebleven details en extrapoleert een geloofwaardig geheel.

Het systeem trainen met realistische schade

Om WCT-Net te trainen en te testen, stelden de auteurs een hoogwaardige dataset samen van keizerlijke tombe-muurschilderingen uit het Shaanxi History Museum, waarbij ze grote foto’s in kleinere beeldpatches sneden. Ze creëerden vervolgens drie families kunstmatige schademarkers om echte vervalpatronen na te bootsen: willekeurige spikkels en krassen voor binnenste afschilfering, onregelmatige randverliezen zoals veroorzaakt door afgebroken pleisterdelen, en gemengde patronen die beide combineren. Het systeem leerde de originele afbeeldingen te reconstrueren uit deze beschadigde versies. Het team vergeleek WCT-Net met zeven toonaangevende restauratie-algoritmen, gebruikte maatstaven die zowel structurele nauwkeurigheid als visuele natuurlijkheid vastleggen, en testte het ook op een aparte Dunhuang-muurschilderingsdataset met een andere artistieke stijl.

Scherpere lijnen, vollere scènes, en wat het betekent

Voor alle schadevormen — binnenste slijtage, ontbrekende randen en complexe combinaties — produceerde WCT-Net restauraties die contourlijnen continu hielden, texturen scherp en composities vollediger dan concurrerende methoden. Objectieve scores verbeterden met enkele procentpunten en de gegenereerde beelden kwamen dichter bij de menselijke perceptie van authenticiteit. Hoewel het model computationeel zwaarder is dan sommige rivalen, zijn de voordelen het duidelijkst waar muurschilderingen het moeilijkst te interpreteren zijn: wanneer zowel de binnenste schildering als de buitenranden verstoord zijn. Voor conservatoren betekent dit een betrouwbaarder digitaal voorproefje voordat ze kwetsbare oppervlakken aanraken; voor historici en het publiek biedt het duidelijkere vensters naar de visuele wereld van het verleden. De auteurs merken op dat toekomstig werk beter met diverse stijlen om moet gaan en efficiënter moet draaien, maar WCT-Net markeert een belangrijke stap in het gebruik van AI als een zorgvuldige, contextbewuste partner in het behoud van cultureel erfgoed.

Bronvermelding: Li, J., Wu, M., Lu, Z. et al. WCT-Net: joint restoration of tomb murals based on wavelet convolution and transformer self-attention collaborative network. npj Herit. Sci. 14, 151 (2026). https://doi.org/10.1038/s40494-026-02412-y

Trefwoorden: digitale muurschilderingrestauratie, behoud van cultureel erfgoed, beeldinpainting, deep learning voor kunst, oude tombe-muurschilderingen