Restauração digital de murais antigos de Jiangnan via aprendizado por proxy e orientação estrutural

Salvando Pinturas Murais que Desbotam

Ao longo das terras ribeirinhas úmidas do sul da China, pinturas murais centenárias estão desaparecendo silenciosamente. Calor, umidade e o tempo corroem o reboco, provocando rachaduras, manchas e descascamentos que são caros e arriscados de consertar manualmente. Este artigo apresenta uma nova forma de os computadores “restaurarem” digitalmente esses frágeis murais de Jiangnan, reavivando suas cenas e o traço no écran sem tocar nas paredes originais. O trabalho interessa não apenas aos apreciadores de arte, mas a qualquer pessoa preocupada com a maneira como a tecnologia moderna pode ajudar a manter viva a memória cultural do mundo.

Os Tesouros Ocultos de Jiangnan

Os murais estudados aqui estão espalhados por salões ancestrais, templos e casas antigas na província de Zhejiang. Diferentemente das famosas cavernas do deserto de Dunhuang, essas obras ficam em um clima quente e úmido que é especialmente agressivo para materiais feitos de terra, madeira e cal. Levantamentos mostram que muitos murais estão cobertos por danos sobrepostos: fissuras, mofo, desbotamento, manchas de água e locais onde a camada de tinta se desprendeu. O reparo físico é caro, irreversível e tecnicamente exigente, então a restauração digital — reconstruir a imagem em pixels em vez de reboco — oferece uma primeira linha de proteção mais segura. Mas as próprias qualidades que tornam esses murais especiais também os tornam difíceis de lidar para computadores.

Por que a IA Comum Falha

Programas modernos de reparo de imagem baseados em aprendizado profundo normalmente dependem de enormes coleções de pares de imagens “antes e depois” para treino. Para os murais de Jiangnan, esses dados simplesmente não existem: as obras estão dispersas, foram pintadas por muitos artistas populares diferentes, e suas aparências originais e não danificadas são desconhecidas. Ao mesmo tempo, o próprio dano confunde algoritmos padrão. Rachaduras escuras e manchas de mofo podem se assemelhar muito a linhas delicadas de tinta, de modo que um modelo que segue cegamente bordas visíveis tende a copiar o dano em vez de removê‑lo. Como resultado, ferramentas de restauração prontas ou deixam marcas para trás ou inventam detalhes que destoam do estilo tradicional dos murais.

Aprendendo o Estilo a Partir de Arte Relacionada

Para escapar desse impasse, os autores propõem um fluxo de trabalho chamado Restauração por Proxy com Orientação Estrutural, ou SGPR. O primeiro passo é separar o “aprendizado de estilo” do “conserto do mural”. Em vez de treinar diretamente com as escassas fotos dos murais, eles reúnem uma grande coleção proxy de mais de seis mil pinturas clássicas chinesas de museus. Essas imagens compartilham a mesma linguagem artística dos murais de Jiangnan: a maneira como as linhas fluem, como os sombreados de tinta são sobrepostos, como as cenas são compostas. Um gerador de imagem poderoso, construído sobre tecnologia de difusão recente, é então refinado com esse conjunto proxy. Uma função de perda especial incentiva o modelo não apenas a imitar texturas, mas a capturar traços artísticos mais amplos, como o ritmo do pincel e o equilíbrio de cores. O resultado, chamado ArtBooth, é um gerador que “fala” fluentemente a pintura tradicional chinesa, mesmo nunca tendo visto os murais danificados reais.

Encontrando Linhas Limpas em Imagens Sujas

O segundo passo-chave é extrair a estrutura original dos murais a partir de fotografias embaraçadas. Aqui os autores apresentam um algoritmo de Extração Seletiva de Características que não exige aprendizado. Ele analisa o mesmo mural danificado em duas escalas de imagem e executa dois detectores simples de borda em cada versão. Características que aparecem de forma consistente em ambos os detectores e em ambas as escalas provavelmente são linhas de desenho genuínas — como o contorno de uma túnica ou um tronco de árvore — enquanto pontos e manchas aleatórias são mais propensos a ser mofo ou sujeira. Ao fundir esses sinais em uma máscara “envelope”, o algoritmo reforça linhas confiáveis e suprime ruído, produzindo dois mapas-guia limpos: um desenho linear nítido e um mapa de arestas refinado que enfatizam a estrutura verdadeira enquanto ignoram grande parte do desgaste.

Reparo Digital Guiado na Prática

A parte final do SGPR conecta esses mapas estruturais limpos ao gerador atento ao estilo por meio de uma rede de controle otimizada. Durante a restauração, a imagem do mural danificado e um breve prompt de texto são alimentados ao ArtBooth, enquanto os mapas de linhas e arestas filtrados atuam como uma espécie de andaime. Uma versão adaptada do framework ControlNet injeta esses mapas nas camadas internas do gerador, orientando suavemente cada passo de denoising para que os novos pixels sigam a disposição e o traço originais em vez de derivarem para cenas genéricas. Testes tanto em danos simulados quanto em murais reais da vila de Songxi mostram que esse sistema combinado remove manchas e rachaduras de forma mais completa do que métodos existentes, mantém figuras e objetos nas posições corretas e produz imagens que especialistas avaliaram como próximas em qualidade a uma restauração digital manual cuidadosa.

O Que Isso Significa para o Patrimônio Cultural

Para não especialistas, a conclusão é direta: ao aprender a linguagem visual de obras relacionadas e separar cuidadosamente linhas verdadeiras do dano, a IA agora pode oferecer retoques digitais de nível museológico para murais frágeis que, de outra forma, poderiam desaparecer. Embora o método ainda tenha dificuldades quando seções inteiras de uma pintura faltam, e ainda não tenha sido estendido a obras ricamente coloridas, já fornece aos conservadores uma ferramenta nova e poderosa. Mais amplamente, o estudo demonstra como o uso inteligente de dados proxy e orientação estrutural pode ajudar a proteger muitos tipos de objetos patrimoniais que são raros demais, danificados demais ou preciosos demais para fornecer os grandes conjuntos de treino que a IA moderna normalmente demanda.

Citação: 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

Palavras-chave: restauro digital de murais, conservação do patrimônio cultural, IA de geração de imagens, estilo da pintura chinesa, extração de características resistentes a danos