Une méthode de restauration des caractères JianDu basée sur une fusion de Fourier dés biaisée inter-domaines et une requête paramétrée de coordonnées

Redonner vie aux textes effacés sur bambou

Pendant plus de deux millénaires, fonctionnaires, soldats et érudits chinois ont écrit sur de minces lattes de bambou et de bois. Aujourd'hui, ces fragiles lattes « jiandu » renferment des indices inestimables sur la politique, le commerce et la vie quotidienne dans la Chine ancienne — mais l’écriture est souvent rongée par le temps, la moisissure et les détériorations. Cet article présente une nouvelle technique d’intelligence artificielle (IA) capable de restaurer numériquement des caractères individuels sur ces lattes, aidant les historiens à lire des textes qui seraient autrement presque illisibles.

Pourquoi le bambou ancien est si difficile à lire

Contrairement aux pages imprimées modernes, les lattes de bambou et de bois ont des surfaces fortement structurées, traversées de fibres et de taches. Les traits d’encre qui nous intéressent sont fins et pâles, tandis que la texture de fond est marquée et irrégulière. Pour un ordinateur, l’arrière-plan peut sembler plus « fort » que l’écriture elle‑même. Les taches de moisissure assombrissent uniformément des parties de la surface, et les fissures ou fragments manquants effacent entièrement certaines portions des caractères. Les programmes standard de réparation d’image, efficaces sur des photos ordinaires, ont tendance à flouter ces traits délicats, à inventer des textures parasites ou à étaler le bruit de fond dans les zones où devraient se trouver les caractères.

Une approche ciblée pour reconstruire les traits manquants

Beaucoup de méthodes de restauration cherchent à régénérer chaque pixel d’une image, y compris des régions parfaitement intactes. Les auteurs conçoivent au contraire un système qui concentre ses efforts sur les zones endommagées et leur voisinage immédiat. D’abord, un réseau de « génération de paramètres » analyse une version sous-échantillonnée de la latte abîmée accompagnée d’un masque indiquant où l’information manque. Il produit ensuite un ensemble compact d’instructions — essentiellement une recette — adaptée aux trous et au contexte proche. Un second réseau de « requête de pixel » utilise cette recette avec les coordonnées exactes de chaque pixel dans les régions endommagées pour les reconstruire un par un. Parce que le réseau sait toujours précisément où il opère dans l’image, il peut mieux préserver les détails fins tels que les bords et les jonctions des traits, y compris à haute résolution.

Fusionner espace et ondes sans distorsion

Pour comprendre et réparer des motifs complexes, la méthode ne se contente pas d’analyser les formes dans le plan spatial. Elle étudie aussi comment les variations clair‑sombre se répartissent à différentes échelles, en utilisant la transformée de Fourier — un outil mathématique qui représente l’image comme un mélange d’ondes. Dans les images de jiandu, les basses fréquences décrivent essentiellement le fond en bambou, tandis que les hautes fréquences saisissent les contours nets des caractères. Cependant, appliquer naïvement des astuces courantes de réseaux neuronaux dans ce domaine fréquentiel peut brouiller le spectre, provoquant des blocs de couleur étranges et des motifs de fond qui débordent dans les traits. Les auteurs introduisent donc un module de Fourier « dés biaisé » qui réarrange et recentre le spectre, étiquette chaque bande de fréquence avec une position apprenante, et normalise délicatement les valeurs extrêmes. Parallèlement, un bloc de fusion espace‑fréquence permet aux caractéristiques spatiales (formes et textures locales) et fréquentielles (motifs globaux et statistiques du bruit) de se guider mutuellement via un mécanisme d’attention croisée, créant une description plus riche et plus stable de l’image endommagée.

Évaluer la méthode

L’équipe a constitué un large jeu de données de plus de 60 000 images de caractères isolés provenant de lattes de bambou et de bois couvrant plusieurs dynasties chinoises, soigneusement filtrées pour la qualité puis séparées en ensembles d’entraînement et de test. Ils ont également utilisé des collections établies de masques de détérioration artificielle pour simuler différents types de pertes — petits trous, grandes zones manquantes et formes aléatoires en fissures — ainsi qu’un jeu de photos de vues de rue pour évaluer la généralisation au‑delà des matériaux patrimoniaux. Sur un large éventail de tests, la nouvelle approche a reconstruit les régions manquantes plus précisément que sept techniques d’inpainting de pointe, obtenant de meilleurs scores en précision pixel, netteté perçue et similarité structurelle. Les comparaisons visuelles montrent des traits de caractères plus propres, moins d’artéfacts en mosaïque et moins de contamination par les textures de fond, même lorsque la moisissure ou les motifs de fibres sont prononcés.

Ce que cela signifie pour la lecture du passé

En définitive, ce travail propose un « conservateur » numérique spécialisé pour les textes anciens sur bambou et bois. En apprenant à séparer les traits d’encre fragiles des fonds bruyants et décadents — et en gérant soigneusement l’interaction entre formes spatiales et motifs ondulatoires — la méthode peut reconstituer des parties manquantes de caractères d’une manière plausible pour des experts humains et utile à la reconnaissance automatique de caractères. Bien qu’elle rencontre encore des difficultés face à des lacunes très larges et certains styles d’écriture complexes, l’approche représente un progrès substantiel pour transformer des traces faibles et fragmentées sur des lattes anciennes en textes lisibles et analysables par les historiens, les linguistes et le grand public.

Citation: 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

Mots-clés: restauration de tablettes en bambou, caractères chinois anciens, rétablissement d'images, apprentissage profond basé sur la transformée de Fourier, patrimoine culturel numérique