Nowatorskie podejście do ulepszania fresków z wykorzystaniem MSR CAB i wydobywania lacun z zabytkowych malowideł za pomocą lasu losowego

Dlaczego wyblakłe malowidła ścienne wciąż mają znaczenie

W historycznych pałacach i świątyniach malowidła ścienne powoli się łuszczą. Braki farby to nie tylko mankamenty estetyczne: wymazują sceny niosące wieki pamięci. Dokładne mapowanie tych ubytków jest jednak żmudne i zwykle prowadzone ręcznie, klatka po klatce. Niniejsze badanie przedstawia metodę komputerową, która automatycznie wyznacza uszkodzone miejsca na zwykłych kolorowych zdjęciach fresków, pomagając muzeom i konserwatorom lepiej monitorować kruche dzieła sztuki nawet przy ograniczonym budżecie i małych zespołach.

Stare pałacowe ściany pod nową lupą

Badania koncentrują się na malowidłach z pałacu beja z XIX wieku w Konstantynie w Algierii, bogato zdobionym kompleksie, którego malowidła dokumentują historyczne bitwy, podróże i życie codzienne. Z upływem czasu ciepło, wahania wilgotności, kurz i zaniedbania spowodowały pęknięcia, odbarwienia i w szczególności „lacuny” – obszary, gdzie warstwa farby odpadła, odsłaniając gołą tynkową podbudowę. Ponieważ te ubytki pokazują stopień zaawansowania zniszczenia, konserwatorzy potrzebują wiarygodnej mapy ich wielkości i rozprzestrzenienia. Ręczne odrysowywanie jest powolne i subiektywne, podczas gdy modne systemy głębokiego uczenia wymagają tysięcy oznaczonych zdjęć i mocnych komputerów, których większość instytucji dziedzictwa po prostu nie posiada.

Ułatwianie odczytu przyciemnionych, zakurzonych zdjęć

Pierwsza połowa nowego podejścia skupia się na tym, by zwykłe fotografie fresków były łatwiejsze do interpretacji zarówno dla ludzi, jak i dla algorytmów. Autorzy opracowali procedurę oczyszczania obrazu nazwaną MSR‑CAB. Działa ona przez oddzielenie jasności od koloru, co pozwala na regulację natężenia światła bez zniekształcania oryginalnych barw. Następnie kilka etapów rozjaśnia ciemne obszary, wyrównuje cienie i wzmacnia lokalny kontrast, tak aby drobne pociągnięcia pędzla i krawędzie stały się wyraźniejsze. Inteligentne mieszanie łączy widok wzmocniony z oryginałem, by uniknąć sztucznego wyglądu, a delikatne wyostrzenie i redukcja szumu wydobywają detale bez rozmywania istotnych linii. Testy na zdjęciach pałacowych wykonanych w słabym oświetleniu pokazują, że ta sekwencja ułatwia odczyt postaci, ornamentów i uszkodzonych stref przy zachowaniu wierności kolorów malowideł.

Nauczanie cyfrowego lasu rozpoznawania ubytków farby

Gdy obrazy zostaną poprawione, druga część metody uczy się rozdzielać brakującą farbę od obszarów nienaruszonych, piksel po pikselu. Zamiast ciężkiego modelu głębokiego uczenia, autorzy wykorzystują Las Losowy (Random Forest) — zbiorowisko wielu prostych drzew decyzyjnych, które głosują nad etykietą każdego piksela. Aby nakierować te drzewa, podają pięć podstawowych wskazówek: wartości koloru czerwonego, zielonego i niebieskiego; jak bardzo kanał czerwony zmienia się w małym otoczeniu (miara tekstury); oraz siłę lokalnych krawędzi. Ekspert ludzki najpierw oznacza kilka przykładowych obszarów z ubytkami i zdrową farbą, dostarczając systemowi dane referencyjne. Ponieważ miejsca uszkodzeń są znacznie rzadsze niż obszary nienaruszone, metoda celowo zwiększa ich wagę podczas trenowania i surowiej karze brak wykryć, aby nawet małe ubytki nie zostały pominięte.

Z jednego pałacu do wielu ścian, a nawet liści

Na dwunastu malowidłach z pałacu beja połączony pipeline ulepszania i Lasu Losowego poprawnie sklasyfikował średnio około 95 procent pikseli, osiągając wysokie wyniki zarówno pod względem niskiej liczby fałszywych alarmów, jak i niewielkiej liczby pominiętych uszkodzonych pikseli. Badanie ablaacyjne — wyłączające części przepisu na ulepszenie obrazu — wykazało, że pominięcie etapów oczyszczania znacząco obniżało skuteczność, zwłaszcza przy nierównomiernym oświetleniu, co podkreśla, jak istotna jest dobra jakość obrazów. Aby sprawdzić, czy pomysł działa poza jednym miejscem, autorzy zastosowali go do malowideł z jaskiń Mogao w Chinach, fragmentów ściennych z Metropolitan Museum of Art w Nowym Jorku, a nawet do publicznego zbioru zdjęć chorych liści roślin. We wszystkich trzech przypadkach metoda skutecznie wyizolowała obszary uszkodzone lub chore, z dokładnościami powyżej 95 procent na dziełach sztuki i niemal 99 procent na liściach, pomimo małych zbiorów treningowych oraz różnic w kolorach i teksturach.

Praktyczny sojusznik w ochronie kruchych opowieści

W istocie praca ta pokazuje, że staranna poprawa obrazu w połączeniu z lekkim modelem uczącym może wiarygodnie wyznaczać miejsca, w których historyczne malowidła ścienne tracą swoją warstwę malarską. System nie zastępuje ekspertyzy konserwatorskiej, ale może dostarczyć konserwatorom szybkie, spójne mapy uszkodzeń na podstawie zwykłych zdjęć kolorowych, nawet gdy dostępnych jest tylko kilka przykładów. Obniżając bariery techniczne i wymagania dotyczące danych w zautomatyzowanej analizie, podejście daje instytucjom dziedzictwa praktyczne narzędzie do monitorowania degradacji, planowania renowacji i, ostatecznie, zachowania większej części naszej malowanej przeszłości przed cichym znikaniem.

Cytowanie: Nasri, A., Zahra, M., Gao, L. et al. A novel approach to mural enhancement using MSR CAB and lacuna extraction from ancient mural paintings using random forest. Sci Rep 16, 10412 (2026). https://doi.org/10.1038/s41598-026-36973-6

Słowa kluczowe: konserwacja malowideł ściennych, wykrywanie ubytków farby, obrazowanie dziedzictwa kulturowego, ulepszanie obrazu, klasyfikacja lasem losowym