Ripristino dei caratteri delle tavolette di Liye Qin mediante rete antagonistica generativa con vincolo efficace di componenti connesse

Parole antiche riportate in vita

Molto prima della carta, i funzionari cinesi scrivevano su sottili strisce di bambù e legno. Migliaia di questi fragili documenti, noti come le tavolette di Liye Qin, furono estratti da un pozzo abbandonato dopo oltre due millenni sottoterra. Conservano ordini quotidiani, conti e rapporti del primo impero cinese unificato. Ma acqua, fango e microbi hanno reso gran parte dell’inchiostro sfocato o mancante, rendendo la lettura manuale delle tavolette un processo dolorosamente lento. Questo studio mostra come un moderno sistema di intelligenza artificiale possa "pulire" digitalmente quei caratteri danneggiati, aiutando gli storici a recuperare voci dal passato remoto.

Perché questi documenti sepolti sono importanti

Le tavolette di Liye Qin non sono editti reali o grandi iscrizioni; sono la burocrazia di un governo operativo. Oltre 30.000 tavolette registrano tasse, lavoro e amministrazione di routine in una contea al confine dell’impero Qin. A differenza di tavolette simili trovate in tombe asciutte, i pezzi di Liye giacevano in sedimenti umidi sul fondo di un pozzo. Molte sono deformate, screpolate e macchiate; le pennellate sono sfocate o erose. Decifrare un singolo lotto può richiedere anni agli esperti, e il numero crescente di reperti ha superato ciò che gli occhi umani possono gestire. Automatizzare parte del processo di restauro potrebbe accelerare notevolmente la ricerca preservando le forme sottili che rendono ogni carattere leggibile.

Insegnare a un computer a vedere attraverso il danno

Gli autori considerano il restauro come una forma di traduzione d’immagine: al computer viene fornita una piccola immagine rumorosa di un carattere e gli si chiede di produrre come apparirebbe quel carattere se fosse pulito e nitido. Per farlo, si basano su un tipo di IA chiamata rete antagonista generativa, o GAN. Una rete (il “generatore”) tenta di trasformare un’immagine danneggiata in una chiara, mentre l’altra (il “discriminatore”) valuta se il risultato sembra un carattere autentico e ben scritto. Attraverso questo confronto continuo, il generatore impara gradualmente a produrre restauri sempre più convincenti che ingannano il critico.

Maggiore attenzione alle piccole pennellate

Gli strumenti di imaging standard spesso perdono i dettagli più fini dell’inchiostro sul bambù, soprattutto quando lo sfondo è maculato e l’inchiostro è tenue. Il gruppo migliora il cuore della GAN usando un disegno a forma di U noto come U-Net, che bilancia il contesto ampio con i dettagli a livello di pixel. Sostituiscono i blocchi costitutivi usuali di questa rete con appositi Local Residual Dense Blocks. Questi blocchi incoraggiano il sistema a riutilizzare pattern utili evitando l’eccessiva levigatura che può far fondere tra loro pennellate vicine. Una sezione di “collo di bottiglia” rinforzata al centro della rete affina ulteriormente le caratteristiche più importanti, aiutando il modello a distinguere le vere pennellate dal rumore anche quando l’originale è fortemente degradato.

Mantenere intatto lo scheletro di ogni carattere

Un’innovazione chiave è ciò che gli autori chiamano vincolo di Dominio Connesso Efficace (Effective Connected Domain). Piuttosto che valutare ogni singolo pixel separatamente, questa regola osserva le principali regioni di inchiostro in un carattere: quanto sono grandi e dove si trovano i loro centri. Il modello confronta queste “isole” grossolane di inchiostro nella sua output con quelle in immagini di riferimento accuratamente restaurate, prestando attenzione in particolare solo alle poche più grandi che formano lo scheletro centrale del carattere. Se una pennellata importante manca, si è fusa con un’altra o è spostata dal suo posto, il sistema viene penalizzato e costretto ad aggiustare. Questo controllo geometrico semplice si dimostra sorprendentemente stabile anche quando le pennellate sono spezzate, i bordi irregolari o l’inchiostro ha sbavato sullo sfondo.

Quanto funzionano i ripristini digitali

Poiché non esistevano dati adatti, il team ha creato il proprio dataset accoppiato di 600 immagini di caratteri dalle tavolette di Liye, ciascuna abbinata a un restauro meticoloso realizzato da esperti. Su questo benchmark, il loro metodo supera diversi approcci all’avanguardia, incluse altre GAN, un modello basato su Transformer e un modello di diffusione, secondo tre misure standard di qualità dell’immagine. Confronti visivi affiancati mostrano meno pennellate spezzate, separazione più pulita tra linee di pennello vicine e meno disturbo di sfondo. I docenti di calligrafia che hanno valutato i risultati in un test in cieco hanno dato punteggi elevati per continuità delle pennellate, accuratezza strutturale e leggibilità complessiva, e test separati suggeriscono che il modello non si limita a memorizzare i dati di addestramento.

Riportare la scrittura sepolta a fuoco

Per i non specialisti, il messaggio è chiaro: combinando la conoscenza esperta degli antichi alfabeti con progettazioni IA su misura, è ora possibile recuperare scritti leggibili da tavolette di bambù che una volta sembravano troppo danneggiate per l’uso. Il modello preserva non solo la presenza di un carattere, ma anche il modo in cui le sue pennellate si relazionano nello spazio, rendendo l’output significativo per storici e linguisti. Sebbene l’approccio dipenda ancora da dati di addestramento limitati e debba essere adattato ad altri materiali come seta o pietra, indica un futuro in cui molti testi fragili e di difficile lettura possono essere restaurati digitalmente e studiati su larga scala, aprendo nuove finestre sulla vita quotidiana nei primi imperi.

Citazione: 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

Parole chiave: restauro tavolette di bambù, manoscritti cinesi antichi, reti antagoniste generative, conservazione digitale del patrimonio, recupero di caratteri manoscritti