Restauration des inscriptions sur os d’oracle à l’aide d’un réseau de débruitage résiduel à rétrécissement rapide avec gradient fractal

Des mots anciens remis au point

Bien avant le papier et l’impression, les devins chinois gravaient des questions aux dieux sur des carapaces de tortue et des os d’animaux. Ces inscriptions sur os d’oracle font partie des plus anciens documents écrits de l’humanité, mais de nombreux fragments conservés sont fissurés, usés et difficiles à lire. Cette étude présente une nouvelle méthode informatique qui nettoie et aiguise les images numériques de ces artefacts fragiles, aidant aussi bien les historiens que le grand public à mieux distinguer leurs marques.

Pourquoi les vieux os sont difficiles à voir

Les os d’oracle ont subi plus de trois mille ans d’altération, d’ensevelissement et de manipulations. Lorsque les chercheurs les photographient ou en font des frottis aujourd’hui, les images obtenues contiennent souvent du bruit ponctuel, du flou et des zones manquantes là où l’os a éclaté. Les traits eux‑mêmes sont généralement des lignes nettes et sombres, mais la surface environnante présente très peu de texture. Les outils standards de nettoyage photo, conçus pour des images quotidiennes riches en détails, laissent soit trop de bruit, soit lissent les contours des caractères anciens — précisément les parties dont les experts ont le plus besoin pour étudier ces inscriptions.

Une façon plus intelligente de nettoyer les images

Pour répondre à ce défi, les auteurs réorganisent une chaîne de restauration d’image autour de l’apparence particulière des os d’oracle. Ils partent d’une idée courante en imagerie : une image endommagée peut être vue comme un original propre dégradé par du flou, du bruit ou des pixels manquants. Mathématiquement, retrouver l’original est un problème mal posé admettant de nombreuses solutions possibles, si bien que des règles supplémentaires — appelées régularisation — sont nécessaires pour orienter la solution vers des images réalistes. L’équipe utilise un type moderne de réseau de neurones artificiels qui apprend à retirer le bruit en prédisant seulement ce qu’il faut soustraire à une image plutôt qu’en reconstruisant l’ensemble de l’image depuis zéro. Cette approche résiduelle facilite et stabilise l’entraînement.

Emprunter des motifs aux fractales

Une innovation clé réside dans la façon dont la méthode protège les lignes nettes des inscriptions. Plutôt que de s’appuyer sur de simples détecteurs de contours, qui confondent aisément le bruit avec des traits réels, les auteurs adoptent une vision « fractale » de l’image. Les fractales rendent compte de la répétition des motifs à différentes échelles. En faisant glisser une petite fenêtre sur l’image et en comptant comment la luminosité varie dans cette fenêtre lorsque l’échelle change, l’algorithme construit une carte des zones où l’image est structurellement complexe — typiquement le long des traits des caractères — et des zones plates. Cette carte de gradient fractal fait partie de l’objectif d’entraînement : le réseau est récompensé non seulement pour rendre l’image plus propre, mais aussi pour préserver ces structures de contours multi‑échelle.

Vitesse et détail grâce à une conception de réseau astucieuse

Le système de restauration utilise également l’échantillonnage réversible pour fonctionner efficacement. D’abord, l’image d’entrée est divisée en plusieurs tuiles plus petites et à plus basse résolution, plus faciles à traiter rapidement par le réseau. Après le débruitage, une étape de rééchantillonnage recolle les tuiles pour retrouver la taille d’origine. À l’intérieur du réseau, des couches de petits filtres de convolution extraient des caractéristiques, tandis qu’un module de seuillage doux décide quelles caractéristiques sont probablement du bruit et les réduit progressivement au lieu de les supprimer brutalement. Cette combinaison permet au modèle de supprimer les taches et le flou tout en préservant les cassures subtiles et les angles qui portent du sens dans l’écriture.

Des caractères plus nets, des résultats plus rapides

Les chercheurs testent leur méthode sur des images de caractères d’os d’oracle pour « tigre », « dragon » et « chien », en simulant trois problèmes courants : bruit aléatoire, flou dû à une lentille hors foyer et rayures ou lacunes à combler. Ils comparent leur approche à une méthode bien connue d’apprentissage profond appelée IRCNN, en utilisant à la fois l’inspection visuelle et des mesures standard de qualité d’image. Dans presque tous les cas, la nouvelle méthode produit des traits plus clairs et continus et de meilleurs scores de netteté et de similarité structurelle, tout en étant plus rapide. Des analyses supplémentaires des cartes de contours et des histogrammes de gradients montrent qu’elle reproduit plus fidèlement la direction et l’intensité originales des contours des caractères.

Rendre l’écriture ancienne accessible aux yeux modernes

En termes simples, ce travail propose un « chiffon numérique » plus rapide et plus intelligent pour nettoyer certains des textes les plus anciens du monde. En combinant un réseau de neurones adapté avec une méthode basée sur les fractales pour repérer et préserver les contours, la technique peut éliminer le bruit, corriger le flou et combler de petites lacunes sans effacer les détails fins sur lesquels s’appuient les spécialistes. À mesure que de tels outils se répandent, ils promettent de rendre les os d’oracle fanés — et potentiellement d’autres inscriptions fragiles — plus lisibles pour les chercheurs, les étudiants et les visiteurs de musées, contribuant ainsi à sauvegarder et à partager une part essentielle du patrimoine humain.

Citation: 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

Mots-clés: inscriptions sur os d’oracle, restauration d’image, apprentissage profond, patrimoine culturel, dénombrement