Restauro delle iscrizioni su ossa oracolari mediante una rete di denoising a contrazione residua rapida con gradiente frattale

Parole antiche riportate a fuoco

Molto prima della carta e della stampa, i divinatori cinesi incidevano domande agli dèi su conchiglie di tartaruga e ossa di animali. Queste iscrizioni su ossa oracolari sono tra i più antichi documenti scritti dell’umanità, ma molti reperti sopravvissuti sono incrinati, consumati e difficili da leggere. Questo studio presenta un nuovo metodo informatico che pulisce e mette a fuoco le immagini digitali di questi fragili manufatti, aiutando sia gli storici sia il pubblico a vedere più chiaramente i loro segni.

Perché le ossa antiche sono difficili da vedere

Le ossa oracolari hanno sopportato più di tremila anni di agenti atmosferici, sepoltura e manipolazione. Quando gli studiosi le fotografano o ne fanno calchi oggi, le immagini risultanti contengono spesso rumore puntiforme, sfocature e parti mancanti dove l’osso si è scheggiato. I tratti stessi sono di solito linee forti e scure, mentre la superficie circostante ha pochissima texture. Gli strumenti standard per la pulizia fotografica, pensati per immagini di uso quotidiano ricche di dettagli, tendono o a lasciare troppo rumore o a levigare i contorni dei caratteri antichi — proprio le parti che gli esperti hanno più bisogno di studiare.

Un modo più intelligente per ripulire le immagini

Per affrontare questo problema, gli autori riprogettano una pipeline di “restauro” delle immagini attorno all’aspetto particolare delle ossa oracolari. Partono da un’idea comune nell’imaging: un’immagine danneggiata può essere considerata un originale pulito che è stato distorto da sfocatura, rumore o pixel mancanti. Dal punto di vista matematico, recuperare l’originale è un problema mal posto con molte possibili soluzioni, quindi sono necessarie regole aggiuntive — chiamate regolarizzazioni — per guidare la soluzione verso immagini realistiche. Il team utilizza un tipo moderno di rete neurale artificiale che impara a rimuovere il rumore prevedendo solo ciò che deve essere sottratto dall’immagine anziché ricostruire l’intera immagine da zero. Questo approccio residuo rende l’addestramento più semplice e stabile.

Prendere schemi dai frattali

Un’innovazione chiave è il modo in cui il metodo protegge le linee nitide delle iscrizioni. Invece di affidarsi a semplici rilevatori di bordi, che facilmente confondono il rumore con i veri tratti, gli autori adottano una visione “frattale” dell’immagine. I frattali descrivono come i pattern si ripetono a scale diverse. Scorrendo una piccola finestra sull’immagine e contando come cambia la luminosità in quella finestra al variare della scala, l’algoritmo costruisce una mappa di dove l’immagine è strutturalmente complessa — tipicamente lungo i tratti dei caratteri — e dove è uniforme. Questa mappa di gradiente frattale diventa parte dell’obiettivo di addestramento: la rete è premiata non solo per rendere l’immagine più pulita, ma anche per mantenere intatte queste strutture di bordo multi-scala.

Velocità e dettaglio grazie a un design intelligente della rete

Il sistema di restauro utilizza inoltre un campionamento reversibile per lavorare in modo efficiente. Innanzitutto, l’immagine di input viene suddivisa in più tessere più piccole e a risoluzione inferiore, più facili e veloci da processare per la rete. Dopo il denoising, una fase di upsampling le ricuce insieme fino alla dimensione originale. All’interno della rete, strati di piccoli filtri convoluzionali estraggono caratteristiche, mentre un modulo di soglia morbida decide quali caratteristiche sono probabilmente rumore e le riduce gradualmente invece di eliminarle bruscamente. Questa combinazione permette al modello di sopprimere macchie e sfocature pur preservando leggere interruzioni di linea e angoli sottili che portano significato nella scrittura.

Caratteri più netti, risultati più rapidi

I ricercatori testano il loro metodo su immagini di caratteri su ossa oracolari per “tigre”, “drago” e “cane”, simulando tre problemi comuni: rumore casuale, sfocatura da lente fuori fuoco e graffi o gap da riempire. Confrontano il loro approccio con un noto metodo di deep learning chiamato IRCNN, usando sia ispezione visiva sia misure standard di qualità d’immagine. In quasi tutti i casi, il nuovo metodo produce tratti più chiari e continui e punteggi più alti per nitidezza e similarità strutturale, impiegando anche meno tempo. Analisi aggiuntive delle mappe di bordo e degli istogrammi dei gradienti mostrano che riproduce in modo più fedele la direzione e l’intensità originali dei contorni dei caratteri.

Portare la scrittura antica agli occhi moderni

In termini semplici, questo lavoro offre un “panno digitale” più rapido e intelligente per alcuni dei testi più antichi del mondo. Combinando una rete neurale su misura con un modo basato sui frattali di individuare e preservare i bordi, la tecnica può rimuovere il rumore, annullare la sfocatura e riempire piccoli gap senza cancellare i dettagli fini su cui si basano gli specialisti. Man mano che strumenti del genere si diffondono, promettono di rendere le ossa oracolari sbiadite — e potenzialmente altre iscrizioni fragili — più leggibili per studiosi, studenti e visitatori dei musei, contribuendo a salvaguardare e condividere un importante tassello del patrimonio umano.

Citazione: 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

Parole chiave: iscrizioni su ossa oracolari, restauro di immagini, apprendimento profondo, patrimonio culturale, rimozione del rumore