DOI: https://doi.org/10.22399/ijcesen.1555
تاريخ النشر: 2025-04-09
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تحليل مواد التراث الثقافي
نظرة عامة
تركز الأبحاث على تطبيق الذكاء الاصطناعي (AI) ورؤية الكمبيوتر في استعادة الجداريات المتدهورة في كهوف موغاو، التي عانت من التعرض البيئي وتدهور الأصباغ على مر القرون. باستخدام صور عالية الدقة من قاعدة بيانات دونهوانغ الرقمية ومجموعة بيانات تضم 50 صبغة مصنفة حسب اللون والثبات والتركيب الكيميائي، تستخدم الدراسة الشبكات العصبية التلافيفية (CNNs) وخوارزميات رسم الخرائط اللونية المعتمدة على التعلم العميق لاكتشاف التلاشي وإعادة بناء الأقسام المفقودة من الجداريات. تعزز الطريقة المدفوعة بالذكاء الاصطناعي دقة وكفاءة استعادة الألوان، متجاوزة الطرق اليدوية التقليدية من خلال ضمان توافق الألوان المستعادة مع الأصالة التاريخية من خلال تقييمات الخبراء وسجلات الأصباغ.
تشير النتائج إلى أن تقنيات الذكاء الاصطناعي، بما في ذلك الشبكات العصبية العميقة المدربة على بيانات الانعكاس الطيفي وتركيبات الأصباغ التاريخية، يمكن أن تعيد بناء الألوان المفقودة بشكل فعال مع الحفاظ على الحد الأدنى من الانحراف عن الألوان الأصلية للجداريات. تؤسس الدراسة قاعدة بيانات رقمية موحدة للأصباغ تسهل عمليات الاستعادة القابلة للتكرار والمصادق عليها علميًا عبر مواقع التراث الثقافي المختلفة. من خلال دمج نماذج التعلم الآلي مع التصوير الطيفي عالي الدقة، تُظهر الأبحاث تحسينات كبيرة في كفاءة الاستعادة ودقتها وقابليتها للتوسع، مما يحول في النهاية مشهد الحفاظ على التراث الثقافي ويضمن أن الأجيال القادمة يمكن أن تقدر هذه الأعمال الفنية القديمة بدقة علمية.
مقدمة
تمثل كهوف الألف بوذا، المعروفة أيضًا بكهوف موغاو، تراثًا ثقافيًا وتاريخيًا مهمًا للصين القديمة، حيث تعرض مزيجًا غنيًا من الفن البوذي والتأثيرات الثقافية المتبادلة على طول طريق الحرير في دونهوانغ، مقاطعة قانسو. لقد عانت الجداريات داخل هذه الكهوف، التي تعكس جوانب مختلفة من التاريخ والدين والفن الصيني، من تدهور كبير على مر الزمن بسبب الشيخوخة الطبيعية والعوامل البيئية والأنشطة البشرية. يظهر هذا التدهور على شكل تلاشي وتغير لون وفقدان للون، مما يعقد جهود الحفظ ويشكل تحديات لعلماء الفن وعلماء الآثار والمحافظين الذين يهدفون إلى الحفاظ على سلامة هذه الأعمال القيمة.
إن الحفاظ على الألوان الأصلية للجداريات أمر بالغ الأهمية لفهم الخيارات الفنية والمعاني الرمزية والتقنيات المادية التي استخدمها الحرفيون القدماء، مما يثري السياقات الجمالية والدينية للأعمال الفنية. على الرغم من استخدام طرق استعادة متنوعة، بما في ذلك التعديل اليدوي، والأرشفة الرقمية، والتصوير الطيفي، إلا أنها غالبًا ما تفشل في إعادة بناء الأصباغ بدقة. لقد أظهر التصوير الطيفي، على وجه الخصوص، وعدًا في تحديد الأصباغ والمساعدة في إعادة بناء الألوان، على الرغم من التعقيدات المرتبطة بالاستعادة. تؤكد الطبيعة الذاتية للاستعادة اليدوية والتحديات التي تواجه التصوير الرقمي في إعادة إنتاج القيم اللونية بعد قرون من التغيرات الكيميائية على ضرورة استخدام أساليب تكنولوجية متقدمة لتحقيق كل من الدقة العلمية والأمانة الفنية في استعادة الجداريات.
الطرق
تستخدم الدراسة منهجية متعددة الجوانب لإعادة بناء ألوان جداريات كهوف موغاو مع التركيز على الدقة التاريخية والتكنولوجية. تدمج تقنيات الاستعادة الرقمية المعتمدة على الذكاء الاصطناعي، والتحليل الإحصائي، والدراسات المقارنة. تبدأ الأبحاث بتجميع مجموعة بيانات تاريخية للأصباغ مستمدة من صور عالية الدقة للجداريات، باستخدام مطيافية رامان، ومطيافية الفلورسنت بالأشعة السينية (XRF)، ومطيافية الأشعة تحت الحمراء لتصنيف تركيب الأصباغ وأنماط التدهور. تعزز خطوات المعالجة المسبقة، بما في ذلك تقليل الضوضاء الرقمية وضبط التباين، جودة الجداريات المتلاشية قبل تدخل الذكاء الاصطناعي.
لعملية الاستعادة، تستخدم الدراسة الشبكات العصبية التلافيفية (CNNs) لاستخراج الميزات، والشبكات التنافسية التوليدية (GANs) لتوقع الألوان، ونماذج الرؤية المعتمدة على المحولات لرسم الخرائط اللونية الطيفية وتحليل اتساق الأصباغ. يتم تدريب النماذج على مجموعة بيانات الأصباغ التاريخية والتحقق منها مقابل أقسام الجداريات الفعلية لضمان الدقة. يتم استخدام إطار إحصائي لمقارنة إعادة بناء الألوان التي تم إنشاؤها بواسطة الذكاء الاصطناعي مع تركيبات الأصباغ التاريخية، باستخدام مقاييس مثل الانعكاس الطيفي، ومتوسط الخطأ التربيعي في رسم الخرائط اللونية، وتحليل توزيع الأصباغ. يتم تقييم فعالية الاستعادة المدفوعة بالذكاء الاصطناعي من قبل علماء الفن، والمحافظين، وعلماء الآثار، الذين يقيمون الألوان وفقًا لمعايير الأصالة التاريخية والجودة الجمالية. تؤسس هذه المقاربة الشاملة إطارًا علميًا قويًا وقابلًا للتوسع لحفظ التراث الثقافي، مما يضمن سلامة تركيبات الألوان التقليدية لجداريات كهوف موغاو.
النتائج
تشير نتائج الدراسة حول استعادة جداريات كهوف موغاو المدفوعة بالذكاء الاصطناعي إلى أن نماذج التعلم العميق تعيد بناء وتعزز الأصباغ المتلاشية للجداريات مع الحفاظ على الدقة التاريخية. يعتمد تقييم هذه النماذج على ثلاثة مقاييس رئيسية: انحراف اللون، الاتساق الطيفي، وتكرار تركيبات الأصباغ التاريخية. توفر هذه التدابير إطارًا إحصائيًا لتقييم أداء نماذج الذكاء الاصطناعي في استعادة الجداريات.
تدعم التقييمات الخبراء النتائج، مما يبرز إمكانيات تقنيات الذكاء الاصطناعي في الحفاظ على التراث الثقافي. لا تساعد دمج التعلم العميق في هذا السياق فقط في الاستعادة البصرية للأعمال الفنية، بل تضمن أيضًا الأمانة للمواد والتقنيات الأصلية المستخدمة في إنشاء الجداريات.
المناقشة
تناقش قسم المناقشة في ورقة البحث التحديات والتقدم في استعادة الجداريات، مع التركيز بشكل خاص على جداريات كهوف موغاو البوذية. تعتبر طرق الاستعادة التقليدية، التي تعتمد بشكل كبير على حكم الخبراء، غير فعالة وذات طابع ذاتي، مما يؤدي إلى عدم اتساق في إعادة بناء الأصباغ المتلاشية. تسلط الورقة الضوء على قيود التقنيات الحالية، مثل التصوير الطيفي، التي يمكن أن تحدد تركيبات الأصباغ ولكنها تفشل في إعادة إنشاء التباينات اللونية المعقدة والدقة التاريخية للجداريات القديمة. لمعالجة هذه القضايا، تقترح الدراسة إطار عمل لاستعادة مدفوعة بالذكاء الاصطناعي يستخدم التعلم العميق، ورؤية الكمبيوتر، وتحليل الأصباغ التاريخية لأتمتة وتعزيز عملية الاستعادة. يهدف هذا الإطار إلى إعادة بناء الأصباغ المتلاشية بدقة مع الحفاظ على السلامة الفنية والسياق التاريخي للجداريات.
تؤكد الأبحاث على تطوير قاعدة بيانات رقمية موحدة للأصباغ لدعم نماذج الاستعادة المدفوعة بالذكاء الاصطناعي، مما يضمن الاتساق والقابلية للتكرار عبر جهود الحفظ. من خلال استخدام طرق حسابية متقدمة، بما في ذلك الشبكات العصبية التلافيفية (CNNs)، والشبكات التنافسية التوليدية (GANs)، والنماذج المعتمدة على المحولات، تُظهر الدراسة كيف يمكن للذكاء الاصطناعي تحليل أنماط تدهور الأصباغ وتوقع الألوان الأصلية بشكل فعال. لا يحسن هذا النهج دقة إعادة بناء الألوان فحسب، بل يسمح أيضًا بممارسات استعادة قابلة للتوسع تنطبق على مواقع التراث الأخرى. في النهاية، تشير النتائج إلى أن الذكاء الاصطناعي يمكن أن يعزز بشكل كبير الحفاظ على القطع الأثرية الثقافية، مما يضمن أن تظل حيوية وأصالة الجداريات التاريخية محفوظة للأجيال القادمة.
القيود
تسلط الأبحاث الضوء على عدة قيود مرتبطة باستخدام الذكاء الاصطناعي في إعادة بناء الأصباغ القديمة. تتمثل إحدى التحديات الرئيسية في تدهور العديد من الأصباغ مع مرور الوقت، مما يعقد المحاكاة الدقيقة لمظهرها الأصلي. قد تكافح نماذج الذكاء الاصطناعي أيضًا لتكرار آثار الأكسدة، والتعرض للضوء، والتغيرات الكيميائية الكامنة في الأصباغ، مما قد يؤدي إلى تناقضات بين الألوان التي تم إنشاؤها بواسطة الذكاء الاصطناعي والنوايا الأصلية للفنانين القدماء. يثير هذا مخاوف أخلاقية بشأن السلامة الفنية والأصالة التاريخية لجهود الحفاظ على التراث الثقافي. علاوة على ذلك، قد تؤدي التوقعات التي يقوم بها الذكاء الاصطناعي دون تحقق من الخبراء إلى إدخال تحيزات، مما يبرز ضرورة الإشراف البشري في عمليات الاستعادة.
لمعالجة هذه القيود، يُوصى بإجراء أبحاث مستقبلية للاستفادة من الشبكات التنافسية التوليدية (GANs) والهياكل المعتمدة على المحولات لتعزيز دقة توقع الألوان وتقنيات الاستعادة المدفوعة بالذكاء الاصطناعي. سيساعد توسيع تطبيق هذه الأساليب على مواقع التراث الثقافي المختلفة بخلاف كهوف موغاو في التحقق من فعاليتها عبر سياقات تاريخية مختلفة. التعاون بين علماء الآثار، وعلماء الفن، وعلماء المواد أمر ضروري لتحسين نماذج الذكاء الاصطناعي، مع دمج الرؤى من دراسات الأصباغ الأثرية، والتصوير متعدد الطيف، ومحاكاة شيخوخة الأصباغ.
DOI: https://doi.org/10.22399/ijcesen.1555
Publication Date: 2025-04-09
Author(s): Zhenyun Du et al.
Primary Topic: Cultural Heritage Materials Analysis
Overview
The research focuses on the application of artificial intelligence (AI) and computer vision in the restoration of the deteriorated murals of the Mogao Grottoes, which have suffered from environmental exposure and pigment degradation over centuries. Utilizing high-resolution images from the Digital Dunhuang database and a dataset of 50 pigments categorized by color, stability, and chemical composition, the study employs convolutional neural networks (CNNs) and deep learning-based color mapping algorithms to detect fading and reconstruct missing mural sections. The AI-driven approach enhances the accuracy and efficiency of color restoration, surpassing traditional manual methods by ensuring that restored colors align with historical authenticity through expert evaluations and pigment records.
The findings indicate that AI techniques, including deep neural networks trained on spectral reflectance data and historical pigment compositions, can effectively reconstruct lost hues while maintaining minimal deviation from original mural colors. The study establishes a standardized digital pigment database that facilitates reproducible and scientifically validated restoration processes across various cultural heritage sites. By integrating machine learning models with high-resolution spectral imaging, the research demonstrates significant improvements in restoration efficiency, accuracy, and scalability, ultimately transforming the landscape of cultural heritage preservation and ensuring that future generations can appreciate these ancient artworks with scientific precision.
Introduction
The Caves of the Thousand Buddhas, also known as the Mogao Grottoes, represent a significant cultural and historical heritage of ancient China, showcasing a rich amalgamation of Buddhist art and cross-cultural influences along the Silk Road in Dunhuang, Gansu Province. The murals within these caves, which reflect various aspects of Chinese history, religion, and art, have suffered considerable deterioration over time due to natural aging, environmental factors, and human activities. This degradation manifests as fading, discoloration, and loss of color, complicating preservation efforts and posing challenges for art historians, archaeologists, and conservators who aim to maintain the integrity of these invaluable works.
The preservation of the original mural colors is crucial for understanding the artistic choices, symbolic meanings, and material technologies employed by ancient craftsmen, thereby enriching the aesthetic and religious contexts of the artworks. While various restoration methods, including manual retouching, digital archiving, and spectral imaging, have been utilized, they often fall short in accurately reconstructing pigments. Spectral imaging, in particular, has shown promise in identifying pigments and aiding in color reconstruction, despite the complexities involved in restoration. The subjective nature of manual restoration and the challenges of digital imaging in reproducing chromatic values after centuries of chemical alteration underscore the necessity for advanced technological approaches to achieve both scientific accuracy and artistic fidelity in mural restoration.
Methods
The study employs a multifaceted methodology to reconstruct the colors of the Mogao Grottoes murals with a focus on historical and technological accuracy. It integrates AI-based digital restoration techniques, statistical analysis, and comparative studies. The research begins with the compilation of a historical pigment dataset derived from high-resolution images of the murals, utilizing Raman spectroscopy, X-ray fluorescence (XRF), and infrared spectroscopy to classify pigment composition and degradation patterns. Preprocessing steps, including digital noise reduction and contrast adjustment, enhance the quality of faded murals prior to AI intervention.
For the restoration process, the study utilizes convolutional neural networks (CNNs) for feature extraction, generative adversarial networks (GANs) for color prediction, and Transformer-based vision models for spectral color mapping and pigment consistency analysis. The models are trained on the historical pigment dataset and validated against actual mural sections to ensure accuracy. A statistical framework is employed to compare the AI-generated color reconstructions with historical pigment compositions, utilizing metrics such as spectral reflectance, mean squared error in color mapping, and pigment distribution analysis. The effectiveness of the AI-driven restoration is further assessed by art historians, conservationists, and archaeologists, who evaluate the colors against criteria of historical authenticity and aesthetic quality. This comprehensive approach establishes a scientifically robust and scalable framework for the preservation of cultural heritage, ensuring the integrity of the Mogao Grottoes murals’ traditional color compositions.
Results
The results of the study on AI-driven restoration of the Mogao Grottoes murals indicate that deep learning models effectively reconstruct and enhance faded mural pigments while maintaining historical accuracy. The evaluation of these models is based on three key metrics: color deviation, spectral consistency, and the replication of historical pigment compositions. These measures provide a statistical framework for assessing the performance of the AI models in restoring the murals.
Expert evaluations further support the findings, highlighting the potential of AI technologies in cultural heritage preservation. The integration of deep learning in this context not only aids in the visual restoration of artworks but also ensures fidelity to the original materials and techniques used in the creation of the murals.
Discussion
The discussion section of the research paper addresses the challenges and advancements in mural restoration, particularly focusing on the Mogao Grottoes’ Buddhist murals. Traditional restoration methods, which rely heavily on expert judgment, are inefficient and subjective, leading to inconsistencies in the reconstruction of faded pigments. The paper highlights the limitations of current techniques, such as spectral imaging, which can identify pigment compositions but fail to recreate the complex tonal variations and historical accuracy of ancient murals. To address these issues, the study proposes an AI-driven restoration framework that utilizes deep learning, computer vision, and historical pigment analysis to automate and enhance the restoration process. This framework aims to accurately reconstruct faded pigments while preserving the artistic integrity and historical context of the murals.
The research emphasizes the development of a standardized digital pigment database to support AI-driven restoration models, ensuring consistency and reproducibility across conservation efforts. By employing advanced computational methods, including Convolutional Neural Networks (CNNs), Generative Adversarial Networks (GANs), and Transformer-based models, the study demonstrates how AI can effectively analyze pigment degradation patterns and predict original hues. This approach not only improves the accuracy of color reconstructions but also allows for scalable restoration practices applicable to other heritage sites. Ultimately, the findings suggest that AI can significantly enhance the preservation of cultural artifacts, ensuring that the vibrancy and authenticity of historical murals are maintained for future generations.
Limitations
The research highlights several limitations associated with the use of AI in the reconstruction of ancient pigments. A primary challenge is the deterioration of many pigments over time, which complicates accurate simulations of their original appearance. AI models may also struggle to replicate the effects of oxidation, light exposure, and the inherent chemical changes in pigments, potentially leading to discrepancies between AI-generated colors and the original intent of ancient artists. This raises ethical concerns regarding artistic integrity and the historical authenticity of cultural heritage conservation efforts. Furthermore, predictions made by AI without expert validation may introduce biases, underscoring the necessity for human oversight in restoration processes.
To address these limitations, future research is recommended to leverage Generative Adversarial Networks (GANs) and transformer-based architectures to enhance color prediction accuracy and AI-driven restoration techniques. Expanding the application of these methods to various cultural heritage sites beyond the Mogao Grottoes will help validate their effectiveness across different historical contexts. Collaboration among archaeologists, art historians, and material scientists is essential to refine AI models, incorporating insights from archaeological pigment studies, multispectral imaging, and simulations of pigment aging.