El estudiante diplomado del MIT, Alex Kachkine, pasó una vez nueve meses restaurando meticulosamente una pintura italiana barroca dañada, lo que le dejó suficiente tiempo para preguntarse si la tecnología podría acelerar las cosas. La semana pasada, MIT News anunciado Su alternativa: una técnica que utiliza películas de polímero generadas por IA para restaurar físicamente las pinturas dañadas en horas en ocupación de meses. La investigación aparecer en la naturaleza.

El método de Kachkine funciona imprimiendo una “máscara” transparente que contiene miles de regiones de color con precisión que los conservadores pueden aplicar directamente a una obra de arte llamativo. A diferencia de la restauración tradicional, que altera permanentemente la pintura, se pueden eliminar estas máscaras cuando sea necesario. Por lo tanto, es un proceso reversible que no cambia permanentemente una pintura.

“Correcto a que hay un registro digital de qué máscara se usó, en 100 abriles, la próxima vez que cualquiera trabaje con esto, tendrá una comprensión extremadamente clara de lo que se le hizo a la pintura”, dijo Kachkine a MIT News. “Y eso nunca ayer había sido posible en la conservación”.

Naturaleza informes que hasta el 70 por ciento de las colecciones de arte institucional permanecen ocultas de la sagacidad pública correcto al daño, una gran cantidad de patrimonio cultural que se encuentra sin ser manido en el almacenamiento. Los métodos de restauración tradicionales, donde los conservadores llenan minuciosamente las áreas dañadas una a la vez mientras mezclan coincidencias de color exactos para cada región, pueden aguantar semanas a décadas para una sola pintura. Es un trabajo hábil el que requiere talento hermoso y conocimiento técnico profundo, pero simplemente no hay suficientes conservadores para chocar el postergación.

El estudiante de ingeniería mecánica concibió la idea durante un delirio a campo traviesa de 2021 al MIT, cuando las visitas de la túnel revelaron cuánto arte permanece oculto correcto a los ataques de daño y restauración. Como cualquiera que restaura las pinturas como un pasatiempo, entendió tanto el problema como el potencial de una alternativa tecnológica.

Para demostrar su método, Kachkine eligió un caso de prueba desafiante: una pintura al óleo del siglo XV que requiere reparaciones en 5,612 regiones separadas. Un maniquí de IA identificó patrones de daño y generó 57,314 colores diferentes para que coincida con el trabajo llamativo. Según los informes, todo el proceso de restauración tardó 3.5 horas, aproximadamente 66 veces más rápido que los métodos tradicionales de pintura manual.

En particular, Kachkine evitó el uso de modelos de IA generativos como la difusión estable o la “aplicación de dominio completa” de las redes adversas generativas (GAN) para el paso de restauración digital. Según el documento natural, estos modelos causan “distorsión espacial” que evitaría la vinculación adecuada entre la imagen restaurada y el llamativo dañado.