DCADif: avkopplad villkorsstyrd adaptiv tids-dynamisk fusions-diffusionsinpainting av traditionella kinesiska väggmålningar

Återuppliva forntida väggkonst

Runt om i Kina täcks tempelväggar och grottvalv av århundraden gamla muralmålningar som falnar, flagar och spricker sönder. Dessa målningar är inte bara vackra; de är visuella dokument över trosföreställningar, berättelser och vardagsliv från svunna tider. Att restaurera dem för hand är svårt, långsamt och ibland riskfyllt för de känsliga ytorna. I den här studien presenteras en ny metod med artificiell intelligens (AI), kallad DCADif, som hjälper experter att digitalt ”inpainta” saknade eller skadade delar av muraler samtidigt som både teckning och stil bevaras troget det ursprungliga konstverket.

Varför gamla muraler är så svåra att reparera

Traditionella kinesiska muraler är mycket mer än färgade bilder på en vägg. De sammanflätar komplexa kompositioner, fin linjeritning och subtila texturer skapade av gamla pigment och verktyg. När tid, fukt och föroreningar lämnar luckor och fläckar måste konservatorer gissa vad som en gång fyllde dessa ytor. Digitala inpainting-verktyg försöker göra samma sak, men de flesta befintliga metoder suddar ut två avgörande uppgifter: att återskapa underliggande former och att bevara den unika konstnärliga stilen. Som ett resultat kan reparerade områden se strukturellt felaktiga ut, eller så kan de matcha formerna men förlora den historiska känslan av originalets penseldrag och färgsättning. Utmaningen är att återställa både målningens ”skelett” och dess ”själ” samtidigt.

Lära en AI att se struktur och stil separat

DCADif-systemet angriper denna utmaning genom att dela upp problemet i två spår. Först omvandlar forskarna en mural till enkel linjekonst, ungefär som en bläckkontur. Denna avskalade version fångar var figurer, föremål och gränser finns, utan att distraheras av färg eller textur. En kraftfull visuellt modell (anpassad från ett verktyg som ursprungligen tränades på miljontals bilder) läser denna linjeteckning och destillerar den till en kompakt beskrivning av muralens struktur. I en separat bana studerar en ny ”SwinStyle”-kodare den ursprungliga skadade målningen för att lära sig dess stilistiska fingeravtryck: hur färger blandas, hur penseldragen böjer sig och hur ytor spricker eller bleknar. Genom att hålla dessa två beskrivningar—struktur och stil—åtskilda kan DCADif senare kontrollera dem oberoende under restaureringen.

Låta bilden träda fram ur brus

I hjärtat av DCADif finns en diffusionsmodell, en typ av AI som skapar bilder genom att börja från slumpmässigt brus och gradvis ”avbrusa” det till en realistisk bild. Denna process sker över många små steg, lite som att se en suddig bild långsamt skärpas. Författarna designade en tids-adaptiv funktionsfusionsmodul som fungerar som en smart ratt mellan struktur och stil när bilden växer fram. I de tidiga, mycket brusiga stadierna lutar modellen starkt mot struktur och använder linjeteckningen för att lägga rätt former och konturer. När bruset avtar och bilden blir tydligare vrids ratten långsamt mot stil, vilket tillåter rika färger, texturer och historiska detaljer att komma in utan att förvränga den underliggande teckningen.

Testning på ett nytt bibliotek av muraler och målningar

För att bedöma om DCADif verkligen förbättrar digital restaurering satte teamet samman en stor ny dataset kallad MuralVerse-S, skapad från muraler i regioner som Dunhuang, Gansu, Hebei och Inre Mongoliet, tillsammans med realistiska masker som efterliknar verkliga sprickor och flagande färg. De jämförde DCADif med nio ledande inpainting-metoder, som sträckte sig från äldre konvolutionsnätverk och transformermodeller till andra diffusionsmetoder. Över flera nivåer av simulerade skador producerade DCADif bilder med skarpare strukturer, mer koherenta globala dispositioner och texturer som mänskliga observatörer bedömde som närmare originalen. Metoden presterade också väl på en separat samling kinesiska landskapsmålningar och återskapade framgångsrikt subtila bläckstreck och bergskonturer, vilket tyder på att den kan generalisera bortom muraler ensam.

Vad detta betyder för kulturarvet

Bortom rena siffror och diagram bad forskarna 50 konstspecialister och doktorander att poängsätta olika restaureringsresultat. Deltagarna rankade konsekvent DCADif högst vad gäller innehållsnoggrannhet, stilistisk trohet och total kvalitet. Verkliga exempel, inklusive berömda verk som Court Ladies Wearing Flowered Headdresses, visade att systemet kan fylla i saknade ansikten, dräkter och dekorativa motiv på ett sätt som smälter sömlöst in i den omgivande målningen. Författarna erkänner dock begränsningar: när stora områden är förstörda riskerar varje digital gissning historisk felaktighet, och metoden är fortfarande beräkningsmässigt tung. Ändå erbjuder DCADif konservatorer ett nytt, icke-invasivt verktyg—ett som kan föreslå omsorgsfulla, högfidelitetsrekonstruktioner samtidigt som det ursprungliga väggen lämnas orörd, och hjälpa museer och forskare att bättre studera, visualisera och skydda oersättliga kulturarvsskatter.

Citering: Peng, X., Li, C., Hu, Q. et al. DCADif: decoupled conditional adaptive time-dynamic fusion diffusion inpainting of traditional Chinese mural paintings. npj Herit. Sci. 14, 61 (2026). https://doi.org/10.1038/s40494-026-02327-8

Nyckelord: digital väggmålningsrestaurering, bildinpainting, diffusionsmodeller, kinesiskt kulturarv, teknik för konstkonservering