修复具有大面积结构性损伤的档案胶片

为何抢救老电影仍然重要

记录了上个世纪的许多电影和新闻短片如今仅存于脆弱的胶片卷中。时间、灰尘、反复放映与不当存储在影像上刻下划痕、啃蚀出孔洞，抹去面孔、物体，甚至整段场景。逐帧手工修复这类损伤既费时又昂贵。本文介绍了一种新的人工智能方法，能够自动检测并修补档案胶片中的大面积、不规则缺陷，有望更快且更忠实地挽救影像史料。

是什么让胶片损伤如此棘手

旧胶片上的问题并不全然相同。有些瑕疵——例如颗粒噪点、整体模糊或褪色——影响整幅图像，可用宽泛的清理工具处理。最具破坏性的问题则是结构性损伤，如长长的竖向划痕或斑驳的黑白斑块。这类缺陷破坏图像内容，而非仅仅降低质量。传统数字方法要么依赖手工规则，要么将每帧独立处理，常常把运动物体误判为损伤，或仅部分修补大面积缺失。同时，一些端到端的“黑箱”系统试图一步到位地清理与填补全部问题，可能会漏检受损区域或合成出清晰但不真实的细节。

通过时间观测来识别缺陷

这项新工作的关键洞见是利用时间维度，而不仅仅是空间信息。真实场景的内容在帧与帧之间平稳变化，而划痕与斑块则随机出现、不随场景动作而动。作者通过将三个相邻帧输入检测网络来建模这种差异，模拟人类在翻动帧以发现异常时的观察方式。首先，一个通道注意力模块比较三帧的整体内容，突出随时间表现与场景其他部分不一致的区域。这一阶段给出损伤可能所在的粗略位置。然后，第二个称为源-参考注意力的模块放大局部细节，利用来自相对干净的邻帧的信息来细化损伤区域的边缘与形状。两者结合产生精确的掩码，勾勒出结构性缺陷的轮廓。

在真实样本有限时如何教会系统

由于带有完美真值标注的真实损伤档案影像稀缺且标注成本高，团队采用了一种巧妙的训练策略。首先通过在真实影格上叠加不规则掩码（代表划痕和斑块）来创建大规模合成数据集，让检测器学习稀疏且时间不相关的损伤特征。在第二阶段，模型用一小批真实的损伤序列进行微调，这些真实标签虽然不完美但仍具信息量。通过将理想的合成监督与不完美的真实引导结合，系统学会将从干净模拟中获得的知识迁移到混乱的历史素材中；多尺度特征融合则帮助处理从小颗粒到宽阔缺失区域的各种尺度问题。

如何将破损图像填充回去

一旦得到损伤掩码，单独的修复网络便专注于重建缺失内容。该网络接受三个输入：受损帧、检测到的掩码以及仍保留完整场景的一个邻帧参考。随后它采用生成对抗网络框架在掩盖的孔洞中合成合理的替代内容，并由多重损失项引导以保证准确性、视觉真实感与风格平滑。重要的是，系统利用了损伤仅占每帧很小一部分且在时间上独立的事实，从而将计算集中在这些稀疏区域，而不是试图重学整幅图像。设计刻意保持简洁高效：检测只用三帧，修复只用单帧参考，类似于人工修复时通常只检查少数邻帧来补缺的做法。

在实践中效果如何

为验证方法，作者在公开数据集中将模拟的划痕与斑块添加到干净的档案片段，并将其系统与若干强基线比较，包括经典的补丁检测器以及面向照片和影片的现代深度学习修复方法。他们的检测器使重叠度量（平均交并比）较这些基线提高超过一倍，表明对受损像素的定位更为准确。在重建质量方面（以峰值信噪比和结构相似性衡量），该方法同样明显优于其他方法，并在使用自身掩码时表现出尤其大的增益。在真实档案影像上，视觉对比显示竞品要么漏掉部分损伤，要么将细节过度锐化为不自然纹理，或者在大面积缺失面前完全失效；而新系统能完全去除长划痕与大斑块，生成平滑一致的填充——同时以每帧数分之一秒的速度处理高清序列。

这对我们的影像记忆意味着什么

通俗来说，这项研究表明：仔细建模损伤随时间的表现，可以实现对许多本将永远留疤或无法使用的老胶片的自动修复。通过先准确定位破损处，再利用邻帧仅重建那些区域，该方法比一体化方案产生更洁净的结果且计算量更小。尽管完全检测到每一道划痕仍有难度，这一框架标志着向可负担的大规模历史电影、新闻短片与家庭录影的数字修复迈出重要一步，有助于为后代保存视觉记忆。

引用: Liu, Q., Liu, Y., Wang, L. et al. Restoration of archival film with large areas of structural damage. npj Herit. Sci. 14, 272 (2026). https://doi.org/10.1038/s40494-025-02235-3

关键词: 档案胶片修复, 划痕与斑点修补, 视频修补（inpainting）, 面向文化遗产的深度学习, 数字保存