Новый подход к улучшению фресок с использованием MSR CAB и извлечения лакун из древних настенных росписей с помощью случайного леса

Почему выцветшая настенная живопись важна и сегодня

В исторических дворцах и храмах настенные росписи тихо слоятся и осыпаются. Отсутствующие фрагменты краски — не просто косметический дефект: они стирают сцены, несущие многовековую память. Тщательная фиксация этих утрат обычно выполняется вручную по кадру за кадром и занимает много времени. В этом исследовании предлагается компьютерный метод, который автоматически выделяет повреждённые участки на обычных цветных фотографиях фресок, помогая музеям и реставраторам эффективнее следить за хрупкими произведениями искусства даже при ограниченном бюджете и небольших командах.

Старые дворцовые стены под новым вниманием

Исследование сосредоточено на росписях дворца бея XIX века в Константине (Алжир) — богато украшенном комплексе, чьи расписанные стены фиксируют исторические баталии, путешествия и повседневную жизнь. Со временем тепло, колебания влажности, пыль и пренебрежение дали трещины, изменение цвета и особенно «лакуны» — участки, где слой краски отвалился, обнажив штукатурку. Поскольку эти пропуски показывают степень запущенности разрушения, реставраторам нужна надежная карта их размера и распространения. Ручное обведение медленное и субъективное, а модные системы глубинного обучения требуют тысяч размеченных изображений и мощных компьютеров, которых у большинства учреждений наследия просто нет.

Делаем тусклые, пыльные снимки более читабельными

Первая часть нового подхода посвящена тому, чтобы сделать обычные фотографии фресок более понятными и для человека, и для алгоритмов. Авторы разработали рецепт очистки изображения, который они называют MSR‑CAB. Он сначала отделяет яркость от цвета, чтобы можно было регулировать освещённость без искажения исходных оттенков. Затем несколько этапов осветляют тёмные участки, выравнивают тени и повышают локальную контрастность, чтобы мелкая кистевая работа и края стали заметнее. Интеллектуальное смешивание объединяет улучшенное изображение с оригиналом, чтобы избежать искусственного вида, а деликатная операция повышения резкости и снижения шума подчёркивает детали, не размывая важные контуры. Тесты на дворцовых фотографиях, сделанных при слабом освещении, показали, что эта последовательность делает фигуры, орнаменты и зоны повреждений намного яснее, сохраняя при этом верность цветовой палитры росписей.

Обучение цифрового леса находить утраченные слои краски

После улучшения изображений вторая часть метода учится отделять утраченный слой краски от сохранных участков покадрово. Вместо тяжёлой модели глубокого обучения авторы используют случайный лес — ансамбль многих простых решающих деревьев, которые голосуют за метку каждого пикселя. В качестве подсказок этим деревьям подаются пять базовых признаков: значения красного, зелёного и синего каналов; степень вариации красного канала в небольшом окружении (мера текстуры); и сила локальных границ. Человеческий эксперт сначала отмечает несколько примеров участков с утратами и здоровой краской, давая системе эталонные данные. Поскольку повреждённые участки встречаются гораздо реже, метод намеренно увеличивает их вес при обучении и строже наказывает пропуски, чтобы маленькие лакуны не оставались незамеченными.

От одного дворца к множеству стен и даже листьев

На двенадцати росписях дворца бея объединённый конвейер улучшения и случайного леса в среднем корректно классифицировал около 95 процентов пикселей, демонстрируя высокие показатели как по редкости ложных тревог, так и по небольшому числу пропущенных повреждённых пикселей. Абляционный эксперимент — отключение частей рецепта улучшения — показал, что пропуск этапов очистки резко снижает качество работы, особенно при неравномерном освещении, подчёркивая, насколько важны хорошие изображения. Чтобы проверить переносимость идеи за пределы одного памятника, авторы применили метод к росписям из пещер Могао в Китае, фрагментам настенных росписей из Метрополитен-музея Нью-Йорка и даже к общедоступному набору данных с изображениями больных листьев растений. Во всех трёх случаях метод успешно выделил повреждённые или поражённые области, с точностью выше 95 процентов для произведений искусства и почти 99 процентов для листьев, несмотря на небольшие обучающие множества и различия в цветах и текстурах.

Практический союзник в сохранении хрупких историй

По сути, работа демонстрирует, что тщательное улучшение изображений в паре с лёгкой моделью обучения может надёжно отслеживать, где исторические настенные росписи теряют свой «слой кожи». Система не заменяет экспертную оценку, но может предоставить реставраторам быстрые и согласованные карты повреждений по обычным цветным фотографиям, даже когда доступен лишь небольшой набор примеров. Снижая технические и кадровые барьеры для автоматического анализа, подход даёт учреждениям наследия практичный инструмент для мониторинга разрушений, планирования реставраций и, в конечном счёте, сохранения большей части нашей расписанной истории от бесшумного исчезновения.

Цитирование: 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

Ключевые слова: сохранение фресок, обнаружение утраты краски, визуализация объектов культурного наследия, улучшение изображений, классификация случайным лесом