AFMNet: uma rede de recomposição de murais sem ativações via mecanismo de atenção multi-cabeça

Por que salvar pinturas murais desbotadas importa

Pinturas murais antigas em templos e cavernas não são apenas enfeites bonitos; são registros visuais de como as pessoas viviam, rezavam, se vestiam e imaginavam o mundo. Infelizmente, muitos desses murais estão rachados, descascando ou parcialmente perdidos. Restaurá-los à mão é lento, arriscado e às vezes impossível. Este estudo apresenta o AFMNet, um novo método computacional que pode “preencher” digitalmente áreas danificadas de imagens de murais de maneira convincente ao olho, operando de forma eficiente em hardware modesto e ajudando a proteger preciosidades culturais frágeis para pesquisa e exibição virtual.

O problema das imagens danificadas

Ferramentas digitais tradicionais normalmente copiam cores e texturas vizinhas para regiões ausentes, o que funciona para pequenos riscos, mas falha quando faces inteiras, mãos ou padrões decorativos desapareceram. Métodos modernos de inteligência artificial podem imaginar conteúdo plausível para lacunas grandes, mas a maioria foi projetada para fotos cotidianas, não para os estilos únicos da arte antiga. Murais frequentemente apresentam figuras singulares, bordas intrincadas e rachaduras irregulares que não seguem formas ordenadas. Sistemas existentes ou borram detalhes importantes, ou introduzem formas desconfortáveis, ou exigem grande poder computacional — impraticável para muitos museus e laboratórios de conservação.

Uma rede enxuta projetada para murais

O AFMNet é uma rede compacta de processamento de imagens em formato de U, com um codificador que decompõe a imagem danificada em características e um decodificador que a reconstrói completa. O que a torna especial é um desenho de fluxo duplo: uma via carrega informações sobre as partes visíveis do mural e a outra carrega um mapa de quais pixels estão faltando ou são pouco confiáveis. Esse mapa é atualizado em cada estágio, de modo que o sistema sempre sabe onde confiar na imagem original e onde precisa inventar conteúdo. Ao separar explicitamente regiões íntegras e danificadas, o AFMNet concentra seus esforços onde são mais necessários e evita alterar desnecessariamente áreas intactas.

Misturando padrões globais com detalhe fino

Para produzir reparos críveis, o sistema precisa entender tanto a cena geral quanto os pequenos traços de pincel. O bloco central do AFMNet enfrenta isso observando a imagem de três maneiras complementares simultaneamente. Na visão espacial, examina vizinhanças locais de pixels, o que ajuda a lidar com rachaduras e bordas. Na visão de frequência, usa uma transformada matemática para enxergar estruturas mais amplas e motivos repetidos por todo o mural. Na visão de canal, aprende quais combinações de cor e textura carregam os sinais artísticos mais importantes, reforçando-os discretamente enquanto ignora informações menos úteis. Em vez de depender de funções de ativação padrão, pesadas em cálculo, o AFMNet usa um mecanismo de porta simples que multiplica pares de mapas de características para criar não linearidade, reduzindo o tamanho do modelo e o custo computacional sem sacrificar a expressividade.

Permitindo que regiões distantes conversem

Muitos murais contêm figuras, ornamentos e fundos relacionados em grandes distâncias na parede. Para conectar esses elementos distantes, o AFMNet adiciona um módulo leve de atenção multi-cabeça no ponto mais estreito do U. Ali, a rede permite que cada parte da imagem "olhe" para todas as outras partes válidas e decida quais devem influenciar o reparo. Diferentes cabeças de atenção podem se especializar em diferentes relações — por exemplo, manter a curva de um halo consistente ou alinhar um padrão de borda repetido. Crucialmente, o módulo de atenção também vê o mapa de danos, portanto aprende a não basear decisões em regiões que já foram preenchidas sinteticamente e podem ainda ser incertas.

Comprovando que funciona na prática

Para testar o AFMNet rigorosamente, os autores o treinaram primeiro em uma grande coleção de cenas cotidianas e depois o ajustaram em um conjunto cuidadosamente curado de murais das cavernas de Dunhuang. Eles criaram máscaras de dano realistas usando um processo de caminhada aleatória que imita rachaduras e descamação reais. Em vários níveis de dano, o AFMNet superou consistentemente métodos concorrentes bem conhecidos em medidas padrão de qualidade de imagem, enquanto usava cerca de um terço a menos de parâmetros do que um forte modelo de referência. Comparações visuais em murais sintéticos e genuinamente danificados mostraram que o AFMNet preserva melhor traços faciais, linhas decorativas e texturas sutis, com menos artefatos distrativos, mesmo ao trabalhar em resoluções mais altas comuns em imagens de museu.

O que isso significa para o patrimônio cultural

Em termos simples, o AFMNet é um restaurador digital inteligente e eficiente que pode inferir partes faltantes de murais antigos de forma respeitosa ao seu estilo e estrutura. Ele lida com rachaduras complexas e perda de pigmento de maneira mais graciosa do que muitas ferramentas existentes e pode rodar rápido o suficiente em computadores ou laptops padrão para ser usado in loco. Embora ainda tenha dificuldades com danos severos por fuligem e texturas altamente intrincadas, fornece a conservadores e pesquisadores uma ferramenta poderosa para visualizar como obras danificadas podem ter sido, planejar intervenções físicas com mais segurança e criar exposições digitais envolventes que trazem pinturas murais frágeis à vida para um público mais amplo.

Citação: 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

Palavras-chave: restauração digital de murais, preenchimento de imagem, patrimônio cultural, aprendizado profundo, redes de atenção