Återställning av orakelbensinskriftsinskrifter med ett snabbt residualt krymptätningsborttagningsnätverk med fraktalgradient

Forntida ord åter i fokus

Långt före papper och tryck skar kinesiska spåmän frågor till gudarna i sköldpaddsskal och djurbensin. Dessa orakelbensininskrifter hör till mänsklighetens äldsta skriftliga dokument, men många bevarade fragment är spruckna, slitna och svåra att tyda. Denna studie presenterar en ny datormetod som rengör och förtydligar digitala bilder av dessa sköra föremål, vilket hjälper historiker och allmänheten att bättre se deras tecken.

Varför gamla ben är svåra att se

Orakelben har uthärdat mer än tre tusen års väderpåverkan, begravning och hantering. När forskare fotograferar eller gör avtryck av dem i dag innehåller bilderna ofta punktvis brus, oskärpa och saknade partier där benet flisat bort. Själva penseldragen är vanligtvis starka, mörka linjer, men ytan runtom har väldigt lite struktur. Vanliga bildrensningsverktyg, utformade för vardagsbilder med rik detaljrikedom, tenderar antingen att lämna kvar för mycket brus eller att jämna ut kanterna på de forntida tecknen — precis de delar experter mest behöver studera.

Ett smartare sätt att förbättra bilder

För att hantera detta omformar författarna en bild"återställnings"-pipeline kring orakelbenens särskilda utseende. De utgår från en vanlig idé inom bildbehandling: en skadad bild kan ses som en ren originalbild som förvrängts av oskärpa, brus eller saknade pixlar. Matematiskt är återställandet av originalet ett svårdefinierat problem med många möjliga svar, så ytterligare regler — kallade regularisering — behövs för att styra lösningen mot realistiska bilder. Teamet använder en modern typ av artificiellt neuralt nätverk som lär sig att ta bort brus genom att förutsäga vad som bör dras bort från en bild i stället för att bygga om hela bilden från grunden. Detta residuala angreppssätt gör träningen enklare och mer stabil.

Lånar mönster från fraktaler

En nyckelinnovation är hur metoden skyddar inskrifternas skarpa linjer. Istället för att förlita sig på enkla kantdetektorer, som lätt förväxlar brus med verkliga streck, använder författarna ett "fraktalt" synsätt på bilden. Fraktaler fångar hur mönster upprepas i olika skalor. Genom att skjuta ett litet fönster över bilden och räkna hur ljusstyrkan förändras i det fönstret när skalan ändras bygger algoritmen en karta över var bilden är strukturellt komplex — vanligtvis längs teckenstrecken — och var den är jämn. Denna fraktalgradientkarta blir en del av träningsmålet: nätverket belönas inte bara för att göra bilden renare, utan också för att bevara dessa multiskaliga kantstrukturer.

Hastighet och detalj genom smart nätverksdesign

Återställningssystemet använder också reversibel sampling för att arbeta effektivt. Först delas ingångsbilden upp i flera mindre, lägre-upplösta brickor som nätverket snabbare kan bearbeta. Efter avbrusning syr en uppsamplingssteg ihop dem tillbaka till full storlek. Inom nätverket extraherar lager med små konvolutionsfilter funktioner, medan en mjuk-tröskelmodul avgör vilka funktioner som troligen är brus och försiktigt krymper dem i stället för att klippa bort dem abrupt. Denna kombination tillåter modellen att dämpa prickar och oskärpa samtidigt som subtila avbrott och hörn i linjerna bevaras — detaljer som bär betydelse i skriften.

Skarpare tecken, snabbare resultat

Forskarna testar sin metod på bilder av orakelbenskaraktärer för "tiger", "drake" och "hund", och simulerar tre vanliga problem: slumpmässigt brus, oskärpa från en ur fokus-lins och repor eller luckor som behöver fyllas. De jämför sitt tillvägagångssätt med en välkänd djuplärandemetod kallad IRCNN, med både visuell inspektion och standardmått för bildkvalitet. I nästan alla fall producerar den nya metoden tydligare, mer kontinuerliga streck och högre poäng för skärpa och strukturell likhet, samtidigt som den även körs snabbare. Ytterligare analyser av kantkartor och gradienthistogram visar att den trognare återger tecknens ursprungliga riktning och styrka.

Att föra forntida skrift till moderna ögon

Enkelt uttryckt erbjuder detta arbete en snabbare, smartare digital "putsduk" för några av världens äldsta texter. Genom att kombinera ett skräddarsytt neuralt nätverk med ett fraktalbaserat sätt att identifiera och bevara kanter kan tekniken ta bort brus, ångra oskärpa och laga små luckor utan att radera de fina detaljer som specialister förlitar sig på. När sådana verktyg sprids lovar de att göra urblekta orakelben — och potentiellt andra sköra inskrifter — mer läsbara för forskare, studenter och museibesökare, och därigenom hjälpa till att bevara och dela en viktig del av mänskligt kulturarv.

Citering: 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

Nyckelord: orakelbensinskrifter, bildåterställning, djuplärande, kulturellt arv, borttagning av brus