Herstel van Liye Qin-sliptekens met generative adversarial network en effectieve verbonden-componentenbeperking

Oude woorden weer tot leven gebracht

Lang voordat papier bestond, schreven Chinese ambtenaren op smalle stroken bamboe en hout. Duizenden van deze kwetsbare documenten, bekend als de Liye Qin-slips, werden uit een verlaten put gehaald nadat ze meer dan twee millennia onder de grond gelegen hadden. Ze bewaren alledaagse bevelen, rekeningen en rapporten uit het eerste verenigde Chinese rijk. Maar water, modder en microben hebben veel inkt vervaagd of vernietigd, waardoor het lezen van de slips met de hand uiterst langzaam gaat. Deze studie laat zien hoe een modern kunstmatig-intelligentiesysteem deze beschadigde karakters digitaal kan “schoonmaken”, waardoor historici stemmen uit het verre verleden kunnen terugwinnen.

Waarom deze begraven archieven ertoe doen

De Liye Qin-slips zijn geen koninklijke decreten of grootse inscripties; het zijn de administratieve stukken van een werkende overheid. Meer dan 30.000 slips registreren belastingen, arbeid en routinematige administratie in één district aan de rand van het Qin-rijk. In tegenstelling tot soortgelijke vondsten in droge graven lagen de Liye-stukken in nat sediment op de bodem van een put. Velen zijn vervormd, gebarsten en bevlekt; de penseelstreken zijn vegen of verdwenen. Het ontcijferen van één partij kan experts jaren kosten, en het toenemende aantal vondsten overtreft wat menselijke ogen alleen kunnen verwerken. Het automatiseren van een deel van het restauratieproces zou het onderzoek dramatisch kunnen versnellen en tegelijk de subtiele vormen behouden die elk karakter leesbaar maken.

Een computer leren door de schade heen te kijken

De auteurs benaderen restauratie als een vorm van beeldvertaling: de computer krijgt een kleine, ruisachtige afbeelding van een karakter en moet produceren hoe dat karakter eruit zou zien als het schoon en scherp was. Hiervoor bouwen ze voort op een type AI dat bekendstaat als een generative adversarial network, of GAN. Eén netwerk (de “generator”) probeert een beschadigde afbeelding in een heldere te veranderen, terwijl een ander (de “discriminator”) beoordeelt of het resultaat eruitziet als een echte, goed geschreven karakter. Door dit heen-en-weer gevecht leert de generator geleidelijk overtuigendere restauraties te maken die de criticus voor de gek houden.

Meer focus op fijne penseelstreken

Standaard beeldtools missen vaak de fijnste details van inkt op bamboe, vooral wanneer de achtergrond gevlekt is en de inkt zwak. Het team verbetert de kern van de GAN met een U-vormig ontwerp bekend als U-Net, dat brede context balanceert met pixelniveau-detail. Ze vervangen de gebruikelijke bouwstenen in dit netwerk door speciaal ontworpen Local Residual Dense Blocks. Deze blokken moedigen het systeem aan nuttige patronen opnieuw te gebruiken en tegelijk oversmoothing te voorkomen dat nabije streken doet vervagen. Een versterkt “bottleneck”-gedeelte in het midden van het netwerk verfijnt bovendien de belangrijkste kenmerken, waardoor het model echte streken van ruis kan onderscheiden, zelfs wanneer het origineel sterk aangetast is.

Het skelet van elk karakter intact houden

Een belangrijke innovatie is wat de auteurs een Effective Connected Domain-beperking noemen. In plaats van elke pixel afzonderlijk te beoordelen, kijkt deze regel naar de belangrijkste inktgebieden in een karakter: hoe groot ze zijn en waar hun centra liggen. Het model vergelijkt deze grove “eilanden” van inkt in zijn output met die in zorgvuldig gerestaureerde referentiebeelden, waarbij het bijzondere aandacht besteedt aan de grootste paar die het kernskelet van het karakter vormen. Als een belangrijke streek ontbreekt, samengevoegd is met een andere of verschoven, wordt het systeem bestraft en gedwongen aan te passen. Deze eenvoudige geometrische controle blijkt opmerkelijk stabiel, zelfs wanneer streken gebroken zijn, randen rafelig zijn of inkt in de achtergrond is doorgelopen.

Hoe goed de digitale reparaties werken

Aangezien er geen geschikt databestand bestond, maakte het team hun eigen gepaarde dataset van 600 karakterafbeeldingen van de Liye-slips, elk gekoppeld aan een nauwgezette, door experts gemaakte restauratie. Op deze benchmark presteert hun methode beter dan verschillende state-of-the-art benaderingen, waaronder andere GANs, een Transformer-gebaseerd model en een diffusie-model, volgens drie standaard beeldkwaliteitsmaatstaven. Visuele zij-aan-zijvergelijkingen tonen minder gebroken streken, schonere scheiding tussen dicht bij elkaar liggende penseellijnen en minder achtergrondruis. Kalligrafie-instructeurs die de resultaten in een blind test beoordeelden gaven hoge cijfers voor streekcontinuïteit, structurele nauwkeurigheid en algemene leesbaarheid, en afzonderlijke tests suggereren dat het model de trainingsdata niet simpelweg uit het hoofd leert.

Verloren schrift weer scherp in beeld

Voor niet-specialisten is de boodschap duidelijk: door deskundige kennis van oude schriftvormen te combineren met op maat gemaakte AI-ontwerpen is het nu mogelijk leesbaar schrift terug te winnen uit bamboeslips die ooit te beschadigd leken om te gebruiken. Het model behoudt niet alleen of een karakter aanwezig is, maar ook hoe de streken ruimtelijk tot elkaar verhouden, waardoor de output betekenisvol is voor historici en taalkundigen. Hoewel de aanpak nog afhankelijk is van beperkte trainingsdata en nog moet worden aangepast aan andere materialen zoals zijde of steen, wijst het op een toekomst waarin vele fragiele, moeilijk leesbare teksten digitaal hersteld en op schaal bestudeerd kunnen worden, en nieuwe vensters opent op het dagelijks leven in vroege rijken.

Bronvermelding: 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

Trefwoorden: herstel van bamboescriptie, oude Chinese handschriften, generative adversarial networks, digitale erfgoedbehoud, herstel van handgeschreven karakters