Wiederherstellung von Orakelknochenschriften mittels eines schnellen Residual-Shrinkage-Entrauschungsnetzes mit fraktalem Gradienten

Alte Zeichen wieder scharf im Blick

Lange vor Papier und Druck schnitzten chinesische Wahrsager Fragen an die Götter in Schildkrötenpanzern und Tierknochen. Diese Orakelknochenschriften gehören zu den ältesten bekannten Schriftzeugnissen der Menschheit, doch viele erhaltene Stücke sind rissig, abgenutzt und schwer lesbar. Diese Studie stellt eine neue Computer-Methode vor, die digitale Bilder dieser empfindlichen Artefakte reinigt und schärft, sodass Historiker und die Öffentlichkeit ihre Zeichen besser erkennen können.

Warum alte Knochen schwer zu lesen sind

Orakelknochen haben mehr als dreitausend Jahre Verwitterung, Bestattung und Handhabung überdauert. Wenn Forschende sie heute fotografieren oder abreiben, enthalten die resultierenden Bilder oft punktuelles Rauschen, Unschärfen und fehlende Stellen, wo das Material abgeplatzt ist. Die Striche selbst sind meist kräftige, dunkle Linien, doch die umgebende Oberfläche weist nur sehr wenig Textur auf. Übliche Bildreinigungswerkzeuge, die für Alltagsfotos mit reichhaltigen Details entwickelt wurden, lassen entweder zu viel Rauschen stehen oder glätten die Kanten der alten Zeichen weg — ausgerechnet die Bereiche, die Expertinnen und Experten am dringendsten untersuchen müssen.

Eine intelligentere Methode zur Bildreinigung

Um dem zu begegnen, entwerfen die Autorinnen und Autoren die Bild-„Wiederherstellungs“-Pipeline neu und orientieren sie an der speziellen Erscheinung von Orakelknochen. Sie starten von einer gängigen Idee in der Bildverarbeitung: Ein beschädigtes Bild kann als ein sauberes Original verstanden werden, das durch Unschärfe, Rauschen oder fehlende Pixel verzerrt wurde. Mathematisch ist die Rekonstruktion des Originals ein schlecht gestelltes Problem mit vielen möglichen Lösungen, weshalb zusätzliche Regeln — sogenannte Regularisierer — erforderlich sind, um die Lösung in Richtung realistischer Bilder zu lenken. Das Team verwendet einen modernen Typ künstlicher neuronaler Netze, der lernt, Rauschen zu entfernen, indem er vorhersagt, was vom Bild abgezogen werden sollte, anstatt das gesamte Bild von Grund auf neu aufzubauen. Dieser residuale Ansatz macht das Training einfacher und stabiler.

Muster aus Fraktalen übernehmen

Eine zentrale Innovation ist, wie die Methode die scharfen Linien der Inschriften schützt. Anstatt sich auf einfache Kantendetektoren zu stützen, die Rauschen leicht mit echten Strichen verwechseln, nutzen die Autorinnen und Autoren eine „fraktale“ Betrachtungsweise des Bildes. Fraktale beschreiben, wie Muster sich auf unterschiedlichen Skalen wiederholen. Indem ein kleines Fenster über das Bild geschoben und gezählt wird, wie sich die Helligkeit in diesem Fenster mit der Skala ändert, erstellt der Algorithmus eine Karte, wo das Bild strukturell komplex ist — typischerweise entlang von Zeichenstrichen — und wo es flach ist. Diese fraktale Gradientenkarte wird Teil der Trainingszielsetzung: Das Netzwerk wird nicht nur dafür belohnt, das Bild sauber aussehen zu lassen, sondern auch dafür, diese mehrskaligen Strukturen an Kanten intakt zu halten.

Geschwindigkeit und Detail durch cleveres Netzwerkdesign

Das Wiederherstellungssystem nutzt außerdem reversibles Sampling, um effizient zu arbeiten. Zuerst wird das Eingangsbild in mehrere kleinere, niedrigauflösende Kacheln aufgeteilt, die das Netzwerk schneller verarbeiten kann. Nach dem Entrauschen fügt ein Upsampling-Schritt sie wieder zur vollen Größe zusammen. Innerhalb des Netzes extrahieren Schichten kleiner Faltungsfilter Merkmale, während ein Soft-Thresholding-Modul entscheidet, welche Merkmale wahrscheinlich Rauschen sind, und diese sanft schrumpft, anstatt sie abrupt zu entfernen. Diese Kombination erlaubt dem Modell, Sprenkel und Unschärfen zu unterdrücken und zugleich feine Unterbrechungen und Ecken zu erhalten, die in der Schrift Bedeutung tragen.

Schärfere Zeichen, schnellere Ergebnisse

Die Forschenden testen ihre Methode an Bildern von Orakelknochenzeichen für „Tiger“, „Drache“ und „Hund“ und simulieren drei häufige Probleme: zufälliges Rauschen, Unschärfe durch eine falsch fokussierte Linse und Kratzer oder Lücken, die gefüllt werden müssen. Sie vergleichen ihren Ansatz mit einer bekannten Deep-Learning-Methode namens IRCNN, sowohl durch visuelle Begutachtung als auch mittels etablierter Bildqualitätsmaße. In fast allen Fällen erzeugt die neue Methode klarere, zusammenhängendere Striche und höhere Werte für Schärfe und strukturelle Ähnlichkeit, während sie zugleich weniger Laufzeit benötigt. Zusätzliche Analysen von Kantenkarten und Gradientenhistogrammen zeigen, dass sie die ursprüngliche Richtung und Stärke der Zeichenkonturen treuer reproduziert.

Alte Schrift für moderne Augen bewahren

Einfach gesagt bietet diese Arbeit ein schnelleres, intelligenteres digitales „Reinigungstuch“ für einige der ältesten Texte der Welt. Durch die Kombination eines maßgeschneiderten neuronalen Netzes mit einer fraktalbasierten Methode zum Erkennen und Bewahren von Kanten kann die Technik Rauschen entfernen, Unschärfe aufheben und kleine Lücken schließen, ohne die feinen Details zu löschen, auf die Spezialistinnen und Spezialisten angewiesen sind. Wenn sich solche Werkzeuge verbreiten, könnten sie verblasste Orakelknochen — und möglicherweise andere empfindliche Inschriften — für Forschende, Studierende und Museumsbesucher besser lesbar machen und so ein wichtiges Stück menschlichen Kulturerbes sichern und zugänglich halten.

Zitation: Li, Z., Zhao, W. Restoration of oracle bone inscriptions using a fast residual shrinkage denoising network with fractal gradient. npj Herit. Sci. 14, 102 (2026). https://doi.org/10.1038/s40494-026-02361-6

Schlüsselwörter: Orakelknochenschriften, Bildwiederherstellung, Deep Learning, Kulturerbe, Entrauschung