Eine JianDu-Zeichenwiederherstellungsmethode basierend auf domänenübergreifender entbiasierter Fourier-Fusion und parametrisierter Koordinatenabfrage

Vergilbte Bambustexte wieder zum Leben erwecken

Mehr als zweitausend Jahre lang schrieben chinesische Beamte, Soldaten und Gelehrte auf dünnen Bambus- und Holzstreifen. Heute enthalten diese fragilen „Jiandu“-Streifen unschätzbare Hinweise auf Politik, Handel und Alltag im antiken China – doch die Schrift ist häufig durch Alterung, Schimmel und Schäden angefressen. Dieses Papier stellt eine neue künstliche Intelligenz (KI)-Technik vor, die einzelne Zeichen auf diesen Streifen digital rekonstruieren kann und Historikern hilft, Texte zu lesen, die andernfalls kaum lesbar wären.

Warum alte Bambusstücke so schwer zu entziffern sind

Im Gegensatz zu modernen Druckseiten haben Bambus- und Holzstreifen stark gemusterte Oberflächen, die von Fasern und Flecken durchzogen sind. Die Tintenstriche, auf die es ankommt, sind dünn und schwach, während die Hintergrundtextur kräftig und unregelmäßig ist. Für einen Computer kann der Hintergrund lauter wirken als die Schrift selbst. Schimmelflecken verdunkeln Bereiche der Oberfläche gleichmäßig, und Risse oder fehlende Fragmente löschen Teile von Zeichen vollständig aus. Standard-Bildreparaturprogramme, die bei normalen Fotos gut funktionieren, neigen dazu, diese feinen Striche zu verwischen, erfundene Texturen zu erzeugen oder Hintergrundrauschen in die Bereiche zu schmieren, in denen die Zeichen stehen sollten.

Ein fokussierter Ansatz zum Wiederaufbau fehlender Striche

Viele Wiederherstellungsmethoden versuchen, jedes Pixel im Bild neu zu erzeugen, auch in Regionen, die völlig intakt sind. Die Autoren entwerfen stattdessen ein System, das seine Anstrengungen auf die beschädigten Zonen und deren unmittelbare Umgebung konzentriert. Zuerst scannt ein „Parameter-Generierungs“-Netzwerk eine herunterskalierte Version des beschädigten Streifens zusammen mit einer Maske, die zeigt, wo Informationen fehlen. Es erzeugt dann eine kompakte Anweisungssatz—im Wesentlichen ein Rezept—das auf die Löcher und den nahegelegenen Kontext zugeschnitten ist. Ein zweites „Pixelabfrage“-Netzwerk nutzt dieses Rezept zusammen mit den exakten Koordinaten jedes Pixels innerhalb der beschädigten Regionen, um diese Pixel einzeln zu rekonstruieren. Weil das Netzwerk stets genau weiß, an welcher Stelle im Bild es arbeitet, kann es feine Details wie Strichkanten und Verbindungen besser erhalten, selbst bei hoher Auflösung.

Raum und Wellen mischen ohne Verzerrung

Um komplexe Muster zu verstehen und zu reparieren, verlässt sich die Methode nicht nur auf Formen in der Bildebene. Sie analysiert auch, wie Helligkeits- und Dunkelheitsvariationen über verschiedene Skalen verteilt sind, mithilfe der Fourier-Transformation – eines mathematischen Werkzeugs, das das Bild als Mischung von Wellen darstellt. In Jiandu-Bildern beschreiben niederfrequente Wellen hauptsächlich den Bambushintergrund, während hohe Frequenzen die scharfen Kanten der Zeichen erfassen. Das naive Anwenden gängiger neuronaler Netztricks in diesem Wellenbereich kann jedoch das Spektrum durcheinanderbringen und zu seltsamen Farbblöcken sowie zum Einfließen von Hintergrundmustern in die Striche führen. Daher führen die Autoren ein „entbiasiertes“ Fourier-Modul ein, das das Spektrum neu anordnet und zentriert, jede Frequenzband mit einer lernbaren Position versieht und extreme Werte sanft normalisiert. Gleichzeitig erlaubt ein Raum–Frequenz-Fusionsblock, dass räumliche Merkmale (lokale Formen und Texturen) und Frequenzmerkmale (globale Muster und Rauschstatistiken) sich gegenseitig über einen Cross-Attention-Mechanismus leiten und so eine reichere und stabilere Beschreibung des beschädigten Bildes erzeugen.

Testen der Methode

Das Team stellte einen großen Datensatz mit über 60.000 Einzelzeichenbildern von Bambus- und Holzstreifen aus mehreren chinesischen Dynastien zusammen, sorgfältig nach Qualität gefiltert und in Trainings- und Testsätze aufgeteilt. Zusätzlich nutzten sie etablierte Sammlungen künstlicher Schadensmasken, um verschiedene Arten von Verlusten zu simulieren—kleine Lücken, große fehlende Flächen und zufällige rissartige Formen—sowie einen Street-View-Fotodatensatz, um zu prüfen, wie gut sich die Methode über Kulturgüter hinaus generalisiert. In einer breiten Palette von Tests rekonstruierte der neue Ansatz fehlende Bereiche genauer als sieben führende Inpainting-Techniken und erzielte höhere Werte bei Pixelgenauigkeit, wahrgenommener Schärfe und struktureller Ähnlichkeit. Visuelle Vergleiche zeigen sauberere Zeichenstriche, weniger mosaikartige Artefakte und weniger Kontamination durch Hintergrundtexturen, selbst wenn Schimmel- oder Faserstrukturen stark ausgeprägt sind.

Was das für das Lesen der Vergangenheit bedeutet

Letzten Endes bietet diese Arbeit einen spezialisierten digitalen „Konservator“ für antike Bambus- und Holztexte. Indem das System lernt, fragile Tintenstriche von verrauschten, zerfallenen Hintergründen zu trennen—und dabei sorgfältig zu steuern, wie räumliche Formen und wellenartige Muster miteinander interagieren—kann die Methode fehlende Teile von Zeichen auf eine Weise ergänzen, die für menschliche Experten plausibel wirkt und die automatische Zeichenerkennung unterstützt. Zwar hat sie noch Schwierigkeiten mit sehr großen Lücken und einigen komplexen Schreibstilen, doch markiert der Ansatz einen bedeutenden Schritt dahin, schwache, gebrochene Spuren auf antiken Streifen in lesbaren, analysierbaren Text für Historiker, Sprachwissenschaftler und die breite Öffentlichkeit zu verwandeln.

Zitation: Lu, Z., Wang, T., Hu, X. et al. A JianDu character restoration method based on cross-domain debiased fourier fusion and parameterized coordinate query. npj Herit. Sci. 14, 159 (2026). https://doi.org/10.1038/s40494-026-02414-w

Schlüsselwörter: Wiederherstellung von Bambusstreifen, antike chinesische Schriftzeichen, Bildinpainting, Fourier-basiertes Deep Learning, digitales Kulturerbe