Een JianDu-tekensherstelmethode gebaseerd op cross-domain ontvoordeelde Fourier-fusie en parametrische coördinatenquery

Verbleekte bamboeteksten weer tot leven brengen

Al meer dan tweeduizend jaar schreven Chinese ambtenaren, soldaten en geleerden op dunne stroken bamboe en hout. Tegenwoordig bevatten deze kwetsbare "jiandu"-stroken onschatbare aanwijzingen over politiek, handel en het dagelijks leven in het oude China — maar de tekst is vaak aangetast door veroudering, schimmel en beschadiging. Dit artikel introduceert een nieuwe kunstmatige intelligentie (AI)-techniek die individuele karakters op deze stroken digitaal kan herstellen, zodat historici teksten kunnen lezen die anders bijna onleesbaar zijn.

Waarom oud bamboe zo moeilijk te lezen is

In tegenstelling tot moderne gedrukte pagina’s hebben bamboe- en houten stroken sterk georiënteerde oppervlakken met vezelpatronen en vlekken. De inktlijnen die van belang zijn zijn dun en vaag, terwijl de achtergrondtextuur opvallend en onregelmatig is. Voor een computer kan de achtergrond luider lijken dan het schrift zelf. Schimmelvlekken kleuren delen van het oppervlak geleidelijk donkerder en scheuren of ontbrekende fragmenten wissen delen van karakters volledig uit. Standaard beeldherstelprogramma’s, die goed werken op gewone foto’s, hebben de neiging deze fijne streken te vervagen, verzinnen soms kunstmatige texturen of laten achtergrondruis in de gebieden waarin de karakters zouden moeten staan vloeien.

Een gerichte manier om ontbrekende streken te reconstrueren

Veel herstelmethoden proberen elk pixel in een afbeelding te regenereren, ook in gebieden die volledig intact zijn. De auteurs ontwerpen in plaats daarvan een systeem dat zijn inspanningen concentreert op de beschadigde zones en hun directe omgeving. Eerst scant een ‘‘parameter-generatie’’ netwerk een verkleinde versie van de beschadigde strook samen met een masker dat toont waar informatie ontbreekt. Het genereert vervolgens een compacte set instructies — in wezen een recept — dat is afgestemd op de gaten en de nabije context. Een tweede ‘‘pixel-query’’ netwerk gebruikt dit recept samen met de exacte coördinaten van elke pixel binnen de beschadigde gebieden om ze één voor één te reconstrueren. Omdat het netwerk altijd precies weet waar in de afbeelding het werkt, kan het fijne details zoals randeinden en aansluitingen van streken beter behouden, ook op hoge resolutie.

Ruimte en golven mengen zonder vervorming

Om complexe patronen te begrijpen en te herstellen vertrouwt de methode niet alleen op vormen in het beeldvlak. Ze analyseert ook hoe lichte en donkere variaties over verschillende schalen zijn verdeeld, met behulp van de Fourier-transformatie — een wiskundig hulpmiddel dat het beeld als een mengsel van golven voorstelt. In jiandu-afbeeldingen beschrijven laagfrequente golven voornamelijk de bamboeachtergrond, terwijl hoge frequenties de scherpe randen van de karakters vastleggen. Het naïef toepassen van gangbare neurale-netwerktrucs in dit golfdomein kan echter het spectrum in de war sturen, wat leidt tot vreemde kleurblokken en achtergronddelen die in streken lekken. De auteurs introduceren daarom een ‘‘ontvoordeelde’’ Fourier-module die het spectrum herschikt en hercentreert, elke frequentieband tagt met een leerbare positie en extreme waarden zacht normaliseert. Tegelijkertijd laat een ruimtelijk–frequentiefusieblok ruimtelijke kenmerken (lokale vormen en texturen) en frequentiekenmerken (globale patronen en ruisstatistieken) elkaar via een cross-attention-mechanisme sturen, waardoor een rijkere en stabielere beschrijving van het beschadigde beeld ontstaat.

De methode op de proef stellen

Het team stelde een grote dataset samen van meer dan 60.000 enkel-karakterafbeeldingen van bamboe- en houten stroken uit meerdere Chinese dynastieën, zorgvuldig gefilterd op kwaliteit en verdeeld in trainings- en testsets. Ze gebruikten ook gevestigde collecties kunstmatige schade-maskers om verschillende soorten verlies na te bootsen — kleine gaten, grote ontbrekende gebieden en willekeurige scheurachtige vormen — evenals een straatbeeldfoto-dataset om te zien hoe goed de methode buiten erfgoedmateriaal generaliseert. Over een breed scala aan tests reconstrueerde de nieuwe aanpak ontbrekende gebieden nauwkeuriger dan zeven toonaangevende inpainting-technieken en scoorde hoger op maatstaven voor pixelnauwkeurigheid, waargenomen scherpte en structurele gelijkenis. Visuele vergelijkingen tonen schonere karakterstreken, minder mozaïekachtige artefacten en minder verontreiniging door achtergrondtexturen, zelfs bij sterke schimmel- of vezelpatronen.

Wat dit betekent voor het lezen van het verleden

Uiteindelijk biedt dit werk een gespecialiseerde digitale ‘‘conservator’’ voor oude bamboe- en houten teksten. Door te leren hoe fragiele inktstreken te scheiden van rumoerige, aangetaste achtergronden — en door zorgvuldig te beheren hoe ruimtelijke vormen en golfachtige patronen met elkaar interageren — kan de methode ontbrekende delen van karakters opvullen op een manier die plausibel oogt voor menselijke experts en automatische tekenherkenning ondersteunt. Hoewel het nog steeds moeite heeft met zeer grote gaten en sommige complexe schrijfstijlen, is de benadering een belangrijke stap in de richting van het omzetten van vage, gebroken sporen op oude stroken in leesbare, analyseerbare tekst voor historici, taalkundigen en het bredere publiek.

Bronvermelding: 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

Trefwoorden: bamboeschrift herstel, oude Chinese karakters, beeldinpainting, Fourier-gebaseerde deep learning, digitaal cultureel erfgoed