Tre-stegs progressivt ramverk för inpainting av Dongba-texter

Varför det spelar roll att rädda forntida bildskrift

För Naxi-folket i sydvästra Kina är Dongba-böcker en dörr in till tusen år av berättelser, ritualer och vardagsliv. Dessa böcker är skrivna i ett sällsynt bildliknande skriftsystem som förenar bilder och ord. Tidens gång, fukt och hantering har skadat många sidor, lämnat hål och saknade streck som gör symbolerna svåra att läsa eller ens känna igen. Denna studie presenterar en ny digital metod för att "fylla i luckorna" i dessa sköra texter, med målet att återställa både utseendet och betydelsen, och erbjuda ett kraftfullt verktyg för kulturbevarande.

Från söndrade sidor till digital restaurering

Konservatorer har länge försökt reparera skadade manuskript fysiskt, men idag erbjuder digital restaurering en kompletterande väg: istället för att röra vid originalet kan datorer rekonstruera saknade delar i en skannad bild. För vanlig tryckt text klarar moderna algoritmer redan av att bra gissa förlorade bokstäver från omgivande former och mönster. Dongba-böcker utgör en svårare utmaning. Varje symbol är en liten teckning vars linjer bär både visuell stil och betydelse. Om mjukvaran bara fyller i linjer för att de ska se jämna ut, kan den av misstag förändra symbolen till något som aldrig funnits och därmed förvanska det kulturella materialet. Författarna menar att all seriös restaurering måste respektera både det konstnärliga utseendet och de strikta reglerna i skriftsystemet.

En trestegsresa från kontur till mening

Forskargruppen föreslår ett trestegs progressivt ramverk, kallat TsP, speciellt utformat för kraftigt skadade Dongba-sidor. I det första steget koncentrerar sig systemet enbart på konturer. Det tar den skadade bilden, upptäcker var streck tidigare funnits och använder en hybrid av två kraftfulla tekniker—konvolutionella nätverk, som är bra på lokala detaljer, och Transformer-nätverk, som är bra på global struktur—för att grovt återskapa de saknade kanterna. Resultatet är en ungefärlig konturkarta, som en skiss som antyder tecknets övergripande form även där delar saknas.

Låta en digital ordbok styra reparationen

I det andra steget tar systemet in kunskap om Dongba i sig. Forskarna byggde en digital ordbok över vanligt förekommande Dongba-symboler, inklusive många handstilar för varje symbol. Algoritmen jämför den återskapade konturen från steg ett med alla poster i denna ordbok och hittar den mest liknande kompletta tecknet. Den gör detta inte genom att läsa textetiketter, utan genom att mäta hur väl formerna överensstämmer i statistisk mening. Den valda symbolen fungerar som ett "innehållsprior"—en bästa gissning av vad det saknade tecknet ska vara, som tillför både semantiska ledtrådar och fina streckdetaljer som en rent visuell metod skulle missa.

Polera den slutliga bilden

I det tredje och sista steget kombinerar TsP två informationsströmmar: den strukturella konturen från första steget och det kompletta tecknet från ordboken. Ett specialdesignat dubbelgrenat neuralt nätverk extraherar funktioner från båda källorna, där en gren fokuserar på streckens layout och den andra på de rikare innehållsmönstren. Dessa funktioner styr sedan en restaureringsmodul som arbetar inte bara i bildutrymmet utan också i frekvensdomänen, där mönster som övergripande jämnhet och rytm i strecken kan justeras mer effektivt. Denna slutliga bearbetning tar bort artefakter, lägger till saknade delar av streck och jämnar övergångarna mellan gamla och nygenererade regioner så att det återställda tecknet smälter naturligt in i den ursprungliga sidan.

Hur bra fungerar det?

För att testa sitt tillvägagångssätt använde författarna DB1404, det enda stora offentliga datasetet med Dongba-tecken, som innehåller tusentals symboler fångade i många stilar. De skapade digitala "skador" av varierande svårighetsgrad, där de maskade från bara en liten del av varje bild upp till halva bilden, med oregelbundna hål och repor som efterliknar verklig försämring. TsP jämfördes med ledande bildreparationsmetoder, inklusive klassiska verktyg, moderna Transformer-baserade system och diffusionsmodeller. Över alla skadenivåer producerade TsP bilder som både var visuellt mer trovärdiga och strukturellt närmare de ursprungliga tecknen, särskilt när stora delar saknades—exakt den situation som är mest kritisk för sällsynta och sköra manuskript.

Vad detta betyder för forntida skrift

Enkelt uttryckt visar detta arbete att datorer kan lära sig inte bara att jämna ut sprickor i en bild, utan också att respektera reglerna och betydelserna i ett forntida skriftsystem samtidigt. Genom att först gissa skelettet i ett skadat tecken, sedan matcha det mot en känd symbol och slutligen använda båda som vägledning för noggrann inpainting, bevarar TsP bättre den ursprungliga formen och innebörden i Dongba-skriften. Utöver en teknisk prestation kan detta tillvägagångssätt hjälpa bibliotekarier, historiker och lokala samhällen att återfå innehållet i manuskript som annars skulle förbli oläsbara, och det ger en modell för att restaurera andra hotade skriftsystem runt om i världen.

Citering: Bi, X., Shi, Q. & Chen, Z. Three-stage progressive framework for Dongba ancient texts inpainting. npj Herit. Sci. 14, 240 (2026). https://doi.org/10.1038/s40494-026-02524-5

Nyckelord: Dongba-manuskript, restaurering av forntida skrift, bildinpainting, digitalisering av kulturarv, djuplärande