Restauración de caracteres en las tablillas de Liye Qin mediante una red adversarial generativa con restricción efectiva de componentes conectados

Palabras antiguas devueltas a la vida

Mucho antes de la invención del papel, los funcionarios chinos escribían en tiras delgadas de bambú y madera. Miles de estos frágiles registros, conocidos como las Tablillas de Liye de la dinastía Qin, fueron recuperados de un pozo abandonado tras más de dos milenios bajo tierra. Conservan órdenes cotidianas, cuentas e informes del primer imperio chino unificado. Pero el agua, el barro y los microbios han difuminado o borrado gran parte de la tinta, lo que hace que la lectura manual de las tablillas sea extremadamente lenta. Este estudio muestra cómo un sistema moderno de inteligencia artificial puede «limpiar» digitalmente estos caracteres dañados, ayudando a los historiadores a recuperar voces del pasado lejano.

Por qué importan estos registros enterrados

Las Tablillas de Liye no son decretos reales ni inscripciones grandiosas; son la documentación administrativa de un gobierno en funcionamiento. Más de 30.000 tablillas registran impuestos, mano de obra y administración rutinaria en un condado al borde del imperio Qin. A diferencia de tablillas similares halladas en tumbas secas, las piezas de Liye yacían en sedimentos húmedos en el fondo de un pozo. Muchas están deformadas, agrietadas y manchadas; los trazos de pincel aparecen difuminados o parcialmente borrados. Decifrar un solo lote puede llevar años a los expertos, y el creciente número de hallazgos ha sobrepasado lo que la mirada humana sola puede manejar. Automatizar parte del proceso de restauración podría acelerar dramáticamente la investigación, a la vez que preserva las formas sutiles que hacen legible cada carácter.

Enseñar a una máquina a ver a través del daño

Los autores tratan la restauración como una especie de traducción de imagen: el ordenador recibe una pequeña imagen ruidosa de un carácter y se le pide que produzca cómo se vería ese carácter si estuviera limpio y nítido. Para ello, se basan en un tipo de IA llamada red adversarial generativa, o GAN. Una red (el «generador») intenta convertir una imagen dañada en una clara, mientras otra (el «discriminador») juzga si el resultado parece un carácter genuino y bien escrito. Mediante este intercambio competitivo, el generador aprende gradualmente a producir restauraciones más convincentes que engañan al crítico.

Atención más precisa a los trazos finos

Las herramientas de imagen estándar a menudo pasan por alto los detalles más finos de la tinta sobre el bambú, especialmente cuando el fondo está moteado y la tinta es tenue. El equipo mejora el núcleo de la GAN utilizando un diseño en forma de U conocido como U-Net, que equilibra el contexto amplio con el detalle a nivel de píxel. Sustituyen los bloques constructivos habituales en esta red por Bloques Locales Residuales Densos especialmente diseñados. Estos bloques fomentan que el sistema reutilice patrones útiles evitando el sobrealisado que puede hacer que trazos cercanos se fusionen. Una sección de “cuello de botella” reforzada en la parte central de la red refina aún más las características más importantes, ayudando al modelo a distinguir trazos verdaderos del ruido incluso cuando el original está muy degradado.

Mantener intacto el esqueleto de cada carácter

Una innovación clave es lo que los autores llaman restricción de Dominio Conectado Efectivo. En lugar de evaluar cada píxel por separado, esta regla examina las principales regiones de tinta en un carácter: su tamaño y la ubicación de sus centros. El modelo compara estas «islas» gruesas de tinta en su salida con las de imágenes de referencia cuidadosamente restauradas, prestando atención especial solo a las pocas más grandes que forman el esqueleto central del carácter. Si falta un trazo importante, se fusiona con otro o se desplaza, el sistema recibe una penalización y se ve obligado a ajustar. Esta comprobación geométrica simple resulta notablemente estable incluso cuando los trazos están rotos, los bordes son irregulares o la tinta se ha filtrado en el fondo.

Qué tan bien funcionan las reparaciones digitales

Como no existían datos adecuados, el equipo creó su propio conjunto pareado de 600 imágenes de caracteres de las tablillas de Liye, cada una emparejada con una restauración realizada meticulosamente por expertos. En este banco de pruebas, su método supera a varios enfoques de última generación, incluidas otras GAN, un modelo basado en Transformer y un modelo de difusión, según tres medidas estándar de calidad de imagen. Comparaciones visuales lado a lado muestran menos trazos rotos, una separación más limpia entre líneas de pincel próximas y menos ruido de fondo. Instructores de caligrafía que revisaron los resultados a ciegas otorgaron altas puntuaciones en continuidad de trazos, precisión estructural y legibilidad general, y pruebas separadas sugieren que el modelo no se limita a memorizar los datos de entrenamiento.

Devolver la escritura enterrada al foco

Para los no especialistas, el mensaje es claro: al combinar el conocimiento experto de las escrituras antiguas con diseños de IA a medida, ahora es posible recuperar escritura legible de tablillas de bambú que antes parecían demasiado dañadas para usar. El modelo preserva no solo la presencia de un carácter, sino cómo se relacionan espacialmente sus trazos, haciendo que el resultado sea significativo para historiadores y filólogos. Aunque el enfoque aún depende de datos de entrenamiento limitados y no se ha adaptado todavía a otros materiales como la seda o la piedra, apunta a un futuro en el que muchos textos frágiles y difíciles de leer puedan restaurarse y estudiarse digitalmente a gran escala, abriendo nuevas ventanas sobre la vida cotidiana en los primeros imperios.

Cita: Li, X., Huang, Y., She, S. et al. Restoration of Liye Qin slips characters using generative adversarial network with effective connected component constraint. npj Herit. Sci. 14, 194 (2026). https://doi.org/10.1038/s40494-026-02434-6

Palabras clave: restauración de tablillas de bambú, manuscritos chinos antiguos, redes adversariales generativas, preservación digital del patrimonio, recuperación de caracteres manuscritos