碑刻拓片、书法作品与敦煌壁画是中华优秀传统文化的重要载体，保存着丰富的历史信息与艺术形态。在历经岁月侵蚀后，古代汉字常出现污渍遮挡、笔画缺损与墨迹褪色等问题，壁画则面临颜料脱落、裂隙与表面污染等情况，给文献释读、艺术研究和文化传播带来困难。如何在不接触文物原件的前提下，借助人工智能改善受损图像的可读性，并兼顾字形结构、纹理细节与色彩协调，是文化遗产数字化保护中的重要研究课题。
9月7日，Nature旗下期刊npj Heritage Science在线发表lehu唯一官网人文学院数字人文专业博士生彭宇环（第一作者，导师袁非牛教授为通讯作者）的研究成果，题为“A shared degradation-aware and context-guided framework for restoring ancient Chinese inscriptions and murals”。该研究由lehu官网人文学院、信息与机电工程学院、上海市中小学在线研究基地及中国科学技术大学相关研究人员合作开展，为古汉字与壁画图像的数字修复提供了新的理论框架。
针对古汉字图像损伤形态复杂、真实退化难以模拟的问题，研究团队整理构建了历史碑刻与书法汉字数据集CHICC。数据集收录14282幅字符图像，其中包括10915幅视觉完整样本和3367幅真实受损样本，涵盖汉至清时期的楷、行、隶、草、篆等多种书体。通过在彩色图像中模拟污染遮挡与墨迹褪色，该研究保留原有色彩和纹理线索，形成18554组训练图像对，为探索更贴近实际损伤形态的古汉字修复方法提供数据基础。
数据集样例
在此基础上，论文提出退化感知与上下文引导生成对抗网络DACGG。该框架采用“粗修复—精修复”的两阶段设计。首先是补全受损区域的基本结构，再结合损伤特征与周围完整区域的信息，细化笔画、纹理和色彩。框架则针对古汉字和壁画分别训练，在两类视觉特征不同的文化遗产图像中验证共享修复思路的适用性。
为提升模型对不同损伤的处理能力，研究设计了区域自适应频率引导动态卷积模块，结合图像中的整体轮廓与局部细节信息调整特征提取方式，增强对污染、褪色等退化模式的适应能力。同时，上下文调制仿射耦合模块利用受损区域周围保留的线索，引导缺失内容的补全，使修复区域与原有图像在结构、纹理和色彩上更加协调。模型还引入全局信息分支，辅助把握图像的整体结构。
DACGG总体网络架构
实验结果表明，DACGG在CHICC模拟退化测试集与公开敦煌壁画数据集DhMurals1714上，均在论文所列比较中取得了较好的综合表现。在CHICC测试集上，模型的峰值信噪比（PSNR）达到37.88 dB，结构相似性（SSIM）达到0.9703。在壁画测试集上，模型PSNR达到25.58 dB，SSIM达到0.9079，在论文汇总的文献报告基线比较中表现良好。可视化结果显示，模型能够改善部分缺损笔画的连续性，以及壁画修复区域的纹理衔接与色彩过渡。
敦煌壁画图像和古代汉字修复效果对比
该成果体现了数字人文研究将人文学术问题与人工智能方法相结合的探索。研究以古代文字和图像遗产为对象，将数据整理、损伤建模与数字修复贯通，为lehu官网数字人文学科开展文理交叉研究、培养复合型研究人才提供了新的实践案例，也为中华优秀传统文化的数字化保护与研究积累了方法经验。
论文链接：https://www.nature.com/articles/s40494-026-02950-5
（供稿、图片：人文学院）
徐汇校区:上海市徐汇区桂林路100号