Återskapande av tecken på Liye Qin-remsor med generativt adversarialt nätverk med effektivt sammanhängande komponentvillkor

Forntida ord återfår liv

Långt före papprets tid skrev kinesiska ämbetsmän på smala remsor av bambu och trä. Tusentals av dessa ömtåliga dokument, kända som Liye Qin-remsor, drogs upp ur en övergiven brunn efter mer än två millennier under jord. De bevarar vardagliga order, räkenskaper och rapporter från det första enade kinesiska riket. Men vatten, lera och mikrober har gjort mycket av bläcket suddigt eller förstört, vilket gör remsorna smärtsamt långsamma att läsa för hand. Denna studie visar hur ett modernt artificiellt intelligenssystem kan digitalt "rengöra" dessa skadade tecken och hjälpa historiker att återfinna röster från det fjärran förflutna.

Varför dessa begravda dokument är viktiga

Liye Qin-remsorna är inte kungliga dekret eller storslagna inskrifter; de är handlingsdokument från en fungerande förvaltning. Över 30 000 remsor dokumenterar skatter, arbetskraft och rutinadministration i ett län vid kanten av Qin-imperiet. Till skillnad från liknande remsor som hittats i torra gravar låg Liye-bitarna i våt sediment i botten av en brunn. Många är skeva, spruckna och fläckiga; penseldragen är utsmetade eller uppätna. Att tyda en enda samling kan ta experter år, och det växande antalet fynd har överskridit vad mänskliga ögon ensamma kan hantera. Att automatisera delar av återställningsprocessen skulle dramatiskt kunna påskynda forskningen samtidigt som de subtila former som gör varje tecken läsbart bevaras.

Lära en dator att se genom skadorna

Författarna betraktar återställning som en form av bildöversättning: datorn får en liten, brusig bild av ett tecken och ombeds skapa hur det tecknet skulle se ut om det var rent och skarpt. För att göra detta bygger de vidare på en typ av AI kallad generativt adversarialt nätverk, eller GAN. Ett nätverk ("generatorn") försöker omvandla en skadad bild till en klar, medan ett annat ("diskriminatorn") bedömer om resultatet ser ut som ett äkta, välskrivet tecken. Genom denna fram-och-tillbaka-kamp lär sig generatorn gradvis att producera mer övertygande återställningar som lurar kritikern.

Skarpare fokus på små penseldrag

Standardverktyg för bilder missar ofta de finaste detaljerna av bläck på bambu, särskilt när bakgrunden är fläckig och bläcket är svagt. Teamet förbättrar kärnan i GAN med en U-formad design känd som U-Net, som balanserar bred kontext med pixelnivådetalj. De ersätter de vanliga byggstenarna i detta nätverk med speciellt utformade lokala residuala täta block (Local Residual Dense Blocks). Dessa block uppmuntrar systemet att återanvända användbara mönster samtidigt som överutjämning som kan få närliggande streck att flyta ihop undviks. Ett förstärkt "flaskhals"-avsnitt i mitten av nätverket förfinar ytterligare de viktigaste dragen och hjälper modellen att skilja verkliga streck från brus även när originalet är kraftigt degraderat.

Bevara varje teckens skelett intakt

En nyckelinnovation är vad författarna kallar en Effektiv Sammanhängande Domän-constraint (Effective Connected Domain constraint). Istället för att bedöma varje pixel för sig ser denna regel på huvudområdena av bläck i ett tecken: hur stora de är och var deras centrumpunkter ligger. Modellen jämför dessa grova "öar" av bläck i sin output med de i noggrant återställda referensbilder och riktar särskild uppmärksamhet mot endast de största som bildar tecknets kärnskelett. Om ett större streck saknas, har smält samman med ett annat eller förskjutits ur position straffas systemet och tvingas justera. Denna enkla geometriska kontroll visar sig vara anmärkningsvärt stabil även när streck är brutna, kanter är ojämna eller bläck har blött ut i bakgrunden.

Hur väl de digitala reparationerna fungerar

Eftersom det inte fanns några lämpliga data skapade teamet sin egen parade datasats av 600 teckenbilder från Liye-remsorna, var och en matchad med en noggrann expertåterställning. På denna benchmark överträffar deras metod flera toppmoderna tillvägagångssätt, inklusive andra GAN:er, en Transformer-baserad modell och en diffusionsmodell, enligt tre standardmått för bildkvalitet. Visuella jämförelser sida vid sida visar färre brutna streck, renare separation mellan nära pensellinjer och mindre bakgrundsstörning. Kalligrafilärare som granskade resultaten i ett blindtest gav höga betyg för kontinuitet i strecken, strukturell noggrannhet och läsbarhet i stort, och separata tester tyder på att modellen inte bara memorerar träningsdata.

Sätta fokuset på begravd skrift igen

För icke-specialister är budskapet tydligt: genom att kombinera expertkunskap om forntida skriftsystem med skräddarsydda AI-designs är det nu möjligt att återfinna läsbar skrift från bamburemsor som en gång verkade för skadade för att användas. Modellen bevarar inte bara om ett tecken finns utan också hur dess streck relaterar i rummet, vilket gör outputen meningsfull för historiker och språkforskare. Även om metoden fortfarande är beroende av begränsade träningsdata och ännu inte anpassats till andra material som silke eller sten, pekar den mot en framtid där många sköra, svårtydda texter kan återställas digitalt och studeras i stor skala, vilket öppnar nya fönster mot vardagslivet i tidiga imperier.

Citering: 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

Nyckelord: återställning av bamburemsor, forntida kinesiska manuskript, generativa adversariala nätverk, digitalt kulturarvsbevarande, återställning av handskrivna tecken