Frekvensstyrd få-exempel-mönsterinpainting för återställning av Mingdynastins rangmärken

Varför det är viktigt att rädda gamla tygmärken

Museer världen över bevarar sällsynta tygstycken från Kinas Mingdynasti som en gång visade en ämbetsmannas rang genom detaljerade fågel-och-molnmönster. Många av dessa märken är trasiga, blekta eller fulla av hål, vilket gör det svårt för historiker och allmänheten att se deras ursprungliga skönhet. Denna studie presenterar en digital restaureringsmetod som varsamt kan "fylla i" de saknade delarna av dessa textilier på en skärm och på så sätt bidra till att skydda kulturarvet utan att röra vid de ömtåliga originalen.

Berättelsen bakom märkena

Ming-rangmärken är inte bara vackra bilder; de fungerar som visuella ID-kort för kejserliga tjänstemän. Varje rang kopplades till en särskild fågel, från tranor för höga ämbetsmän till finkar för de lägre. Mönstren är vävda med upprepande motiv och rik symbolik, så varje förlust av trådar kan sudda ut både visuell rytm och historisk mening. Befintliga digitala reparationsverktyg fungerar ofta bra för vanliga fotografier men har problem med dessa märken: de kan hitta på trovärdiga texturer som bryter den strikta upprepningen i väven, eller så kan de felaktigt återge den centrala fågelsymbolen som anger rang.

En smart metod som lär sig från bara några få exempel

Till skillnad från moderna modebilder finns historiska textilier i små mängder, så datorer kan inte förlita sig på miljoner träningsexempel. Författarna tar itu med detta "few-shot"-problem genom att bygga en fokuserad datamängd på 685 Ming-rangmärken samlade från museer och privata samlingar, med både intakta och skadade exemplar. Deras system tränas för att rekonstruera saknade områden med så få som fem oskadade exempel för varje typ av märke. I stället för att behandla dessa textilier som generiska bilder är metoden skräddarsydd för tyger med stark upprepning och tydliga symboliska element, så att den kan generalisera från begränsade data samtidigt som den respekterar märkens kulturella mening.

Lyssna på mönster i två världar

Kärninnovationen är att få datorn att betrakta varje märke på två kompletterande sätt: som en bild och som ett frekvensmönster. I den vanliga bildvyn kontrollerar systemet att de färger och texturer det målar in i ett hål smälter sömlöst samman med de omgivande trådarna. I frekvensvyn omvandlar ett matematiskt verktyg kallat Fouriertransform den upprepade väven till ljuspunkter i en spektralkarta, ungefär som att omvandla musik till en graf över toner. Skador stör dessa regelbundna toppar. Det föreslagna nätverket återställer saknade områden samtidigt som det tvingar frekvensmönstret i den reparerade märket att matcha det hos ett intakt exemplar, vilket hjälper det att återskapa rätt rytm av moln, vågor och kanter i stället för slumpartade gissningar.

Bevara betydelse, inte bara utseende

För att undvika att berättelsen bakom varje märke går förlorad lägger författarna till ytterligare ett styrskikt. En separat igenkänningsmodell tränas för att skilja rangen åt baserat på den centrala fågeln och andra symboliska ledtrådar. Under restaureringen straffas systemet om den slutförda bilden inte längre ser ut att tillhöra samma rang enligt denna igenkänningsmodell. Denna "kulturellt medvetna" förlust skjuter inpaintingsprocessen mot att bevara nyckelsymboler och övergripande komposition, så att ett skadat tranmärke återställs som ett tranmärke och inte något som bara ser dekorativt ut. Användarstudier med konsthistoriker och textilexperter bekräftar att den nya metoden bättre bibehåller mönsternoggrannhet, symbolklarhet och färgharmoni än ledande alternativ.

Vad resultaten betyder för kulturarv

Tester visar att den nya metoden producerar skarpare, mer regelbundna mönster och mer övertygande rekonstruktioner än befintliga toppmoderna inpainting-verktyg, enligt både numeriska bildkvalitetsmått och expertutlåtanden. Även om den fortfarande kan ha svårigheter när oerhört stora delar av ett märke saknas, särskilt den centrala fågeln, erbjuder den ett kraftfullt digitalt hjälpmedel för museer och forskare. Genom att kombinera smart inlärning från få exempel med noggrann uppmärksamhet på tygets underliggande rytm och symbolik pekar detta arbete mot en framtid där ömtåliga historiska textilier kan studeras, delas och till och med virtuellt "repareras" utan att utsätta originalen för risk.

Citering: Zhang, W., Zhang, Y. Frequency-guided few-shot pattern inpainting for Ming Dynasty rank badges restoration. npj Herit. Sci. 14, 234 (2026). https://doi.org/10.1038/s40494-025-02201-z

Nyckelord: kulturarv, textilrestaurering, bildinpainting, Mingdynastin, djupinlärning