Восстановление изображений корродированной бронзы на основе диффузии в рамках минимального вмешательства: индексы пространственной соответствия и диагностика риска пере-восстановления

Почему старые фотографии бронзы по-прежнему важны

Фотографии древних бронзовых сосудов показывают не только красивые предметы; они тихо фиксируют, как каждое изделие старело под землей и в музейных хранилищах. Очаги коррозии, отслаивающиеся поверхности и многоцветная патина — это не просто дефекты, которые можно убрать на экране. Это физические улики о прошлом. В этом исследовании рассматривается, как современные инструменты искусственного интеллекта (ИИ) для восстановления изображений можно использовать, чтобы аккуратно «подчистить» повреждённые фото бронзы, не переписывая случайно эти улики и не создавая искажённого представления о прошлом.

Исправлять снимки, не стирая прошлое

Музеи и археологи опираются на архивные фотографии бронзы для исследований, каталогизации и демонстрации коллекций. Многие из этих изображений повреждены: части отсутствуют, по ним проведены царапины или они покрыты поздними пятнами. В повседневной работе с изображениями программное обеспечение свободно «приукрашивает» такие дефекты. Но в контексте культурного наследия коррозионные корки и пятнистая патина — это доказательства, а не шум. Авторы формулируют цифровое восстановление как задачу «минимального вмешательства»: изменить только то, что необходимо для читабельности снимка, и оставить подлинные следы поверхности нетронутыми. Тогда реставрация становится не просто вопросом визуальной привлекательности, но честности и доверия.

Три инструмента ИИ, поставленные на испытание

В исследовании сравнивают три передних подхода ИИ, способных заполнить отсутствующие участки изображения. LaMa представляет собой быстрый, традиционный нейронный подход, который заполняет дыры в один проход. Stable Diffusion Inpainting и ControlNet Inpainting — более новые «диффузионные» модели, которые постепенно уточняют изображение и известны тем, что дают богатые, реалистичные детали. Всем трем методам предложили восстановить фотографии раскопанной бронзы из древнего царства Гумэй, используя точно одинаковые входные данные и тщательно подготовленные маски повреждений, отмечающие места, где контент действительно отсутствует.

Умный способ измерить полезные и вредные изменения

Оценивать реставрацию сложно, потому что редко существует идеальная «после»-фотография повреждённого артефакта. Поэтому авторы разработали два взаимодополняющих теста. Во-первых, для относительно целых изображений они искусственно заблокировали участки и попросили каждый метод восстановить их. В этом случае можно сравнить результаты с оригиналом и вычислить стандартные метрики качества изображения. Во-вторых, для реально повреждённых архивных снимков, где эталона нет, внимание сместили с вопроса «насколько это выглядит хорошо?» на «где алгоритм действительно изменил изображение?». Каждое фото разделили на три зоны: замаскированное повреждение, которое следует изменять; узкая зона допуска сразу за границей маски, где допустимы переходы; и нетронутая остальная поверхность, где изменения рискованны.

Обнаружение и картирование риска пере-восстановления

Для случаев реальных повреждений команда измеряла, как часто каждый метод вносил существенные изменения внутри маски, в пограничной зоне и дальше на, по идее, целых поверхностях. Эти изменения визуализировали в виде тепловых карт, показывающих, где появились новые пиксели или сместились цвета. Затем троим экспертам по консервации и археологии предложили вслепую оценить, какие результаты кажутся наиболее аутентичными и приемлем ли уровень вмешательства. Все три системы ИИ могли правдоподобно восстановить отсутствующие узоры и формы, а диффузионные модели чаще давали более впечатляющие текстуры. Но они также с большей вероятностью мягко сглаживали или перерисовывали коррозию и патину за пределами повреждённой области, что создаёт риск привлекательной, но вводящей в заблуждение «ложной реальности».

Чему это учит реставраторов и технари

Авторы обнаружили, что LaMa, несмотря на простоту, восстанавливал отсутствующие участки примерно так же эффективно, как диффузионные модели, при этом вызывая значительно меньше нежелательных изменений за пределами маски. Stable Diffusion и ControlNet давали более резкие и связные заполнения, но показали более высокие уровни «просачивания» на оригинальные поверхности, особенно в зонах с богатой коррозией, которые имеют особую ценность как доказательство. Эксперты посчитали большинство результатов всех методов полезными в качестве чернового материала для обсуждения и обучения, но не пригодными в качестве окончательных, самостоятельных замен реальных артефактов. Исследование делает вывод, что мощные генеративные инструменты должны использоваться в сочетании со строгими, прозрачными проверками зон их вмешательства. Превратив идеал консервации «минимального вмешательства» в измеримые пространственные индексы и наглядные карты риска, авторы предлагают музеям и исследователям практический способ использовать ИИ-восстановление, сохраняя при этом аутентичность.

Цитирование: Sui, Q., Shou, W. & Yang, H. Diffusion-based restoration of corroded bronzeware images under a minimal-intervention framework: spatial-compliance indices and over-restoration risk diagnostics. npj Herit. Sci. 14, 259 (2026). https://doi.org/10.1038/s40494-026-02539-y

Ключевые слова: цифровое восстановление, визуализация культурного наследия, бронзовые артефакты, восстановление изображений (inpainting), минимальное вмешательство