Восстановление надписей на гадательных костях с помощью быстрого остаточного денойзингового сети с фрактальным градиентом

Древние слова возвращаются в фокус

Задолго до появления бумаги и печати китайские жрецы вырезали вопросы богам на панцирях черепах и на костях животных. Эти надписи на гадательных костях — одни из древнейших письменных памятников человечества, но многие сохранившиеся фрагменты треснули, изношены и плохо читаются. В этом исследовании предложен новый компьютерный метод, который очищает и делает резче цифровые изображения этих хрупких артефактов, помогая историкам и широкой публике лучше рассмотреть их надписи.

Почему старые кости трудно рассмотреть

Гадательные кости пережили более трех тысяч лет выветривания, захоронения и обращения. Когда учёные сегодня фотографируют их или снимают копии, полученные изображения часто содержат точечный шум, размытость и пропуски там, где кость отломилась. Сами штрихи обычно представляют собой чёткие тёмные линии, но окружающая поверхность лишена выраженной текстуры. Стандартные инструменты для очистки фотографий, рассчитанные на повседневные снимки с богатой детализацией, либо оставляют слишком много шума, либо сглаживают контуры древних символов — именно те элементы, которые эксперты нуждаются в изучении.

Более умный способ очистки изображений

Чтобы решить эту задачу, авторы перестраивают конвейер «восстановления» изображений с учётом особой визуальной природы гадательных костей. Они исходят из распространённой идеи: повреждённое изображение можно считать чистым оригиналом, искажённым размытием, шумом или отсутствующими пикселями. Математически восстановление оригинала — плохо обусловленная задача с множеством возможных решений, поэтому необходимы дополнительные правила — регуляризация — чтобы направить поиск к реалистичным изображениям. Команда использует современный тип искусственной нейронной сети, которая учится удалять шум, предсказывая только то, что следует вычесть из изображения, а не восстанавливая всё изображение заново. Такой остаточный подход упрощает и делает стабильнее процесс обучения.

Заимствование паттернов у фракталов

Ключевая инновация — способ защиты чётких линий надписей. Вместо простых детекторов краёв, которые легко путают шум с настоящими штрихами, авторы используют «фрактальный» взгляд на изображение. Фракталы фиксируют, как паттерны повторяются на разных масштабах. Сдвигая небольшое окно по картинке и оценивая, как изменяется яркость в этом окне при смене масштаба, алгоритм строит карту областей со структурной сложностью — обычно вдоль штрихов символов — и областей ровной поверхности. Эта карта фрактального градиента становится частью цели обучения: сеть поощряется не только за чистый внешний вид изображения, но и за сохранение многошкальных структур краёв.

Скорость и детализация через грамотную архитектуру сети

Система восстановления также использует обратимую семплинг-операцию для повышения эффективности. Сначала входное изображение разбивается на несколько меньших плиток с пониженным разрешением, которые сети проще обрабатывать быстро. После шумоподавления шаг увеличения масштаба собирает их обратно в полноразмерное изображение. Внутри сети слои с небольшими свёрточными фильтрами извлекают признаки, а модуль мягкого порогирования решает, какие признаки вероятнее всего являются шумом, мягко сжимая их вместо резкого отбрасывания. Такое сочетание позволяет модели подавлять пятнистый шум и размытость, сохраняя при этом тонкие разрывы линий и углы, несущие смысл в письме.

Более чёткие знаки, более быстрые результаты

Исследователи протестировали свой метод на изображениях символов с гадательных костей для «тигра», «дракона» и «собаки», моделируя три распространённые проблемы: случайный шум, размытие из‑за несфокусированного объектива и царапины или пробелы, требующие заполнения. Они сравнили свой подход с известным методом глубокого обучения IRCNN, используя и визуальную оценку, и стандартные метрики качества изображения. В почти всех случаях новый метод давал более чёткие, непрерывные штрихи и более высокие показатели резкости и структурного сходства, при этом работая быстрее. Дополнительный анализ карт краёв и гистограмм градиентов показал, что он более верно воспроизводит исходное направление и силу контура символов.

Древние тексты — для современных глаз

Проще говоря, эта работа предлагает более быстрый и умный цифровой «салфеточный» инструмент для одних из старейших текстов мира. Сочетая настроенную нейронную сеть с фрактальным способом обнаружения и сохранения краёв, метод способен удалять шум, устранять размытие и заделывать мелкие пробелы, не стирая тонких деталей, на которые полагаются специалисты. По мере распространения таких инструментов потускневшие гадательные кости — и, возможно, другие хрупкие надписи — станут более читаемыми для учёных, студентов и посетителей музеев, способствуя сохранению и распространению важной части человеческого наследия.

Цитирование: 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

Ключевые слова: надписи на гадательных костях, восстановление изображений, глубокое обучение, культурное наследие, шумоподавление