DCADif：用于传统中国壁画的解耦条件自适应时序融合扩散修复方法

让古老的壁面艺术重获生机

在中国，寺庙的墙面和石窟的穹顶上布满了历经数百年的壁画，这些壁画正日渐褪色、剥落并开裂。它们不仅具有美学价值，还是记录古人信仰、故事与日常生活的视觉档案。人工修复既困难又耗时，有时还会对脆弱的表面造成风险。本研究提出了一种新的人工智能（AI）方法，称为 DCADif，帮助专家以数字方式“修补”壁画的缺损或损坏部分，同时在图形和风格上尽可能保持原作的忠实性。

为什么古壁画难以修复

传统中国壁画远不只是墙上的彩画。它们将复杂的构图、精细的线描与由古代颜料和工具形成的微妙质感交织在一起。当岁月、湿气与污染留下裂缝和污渍时，保护者不得不猜测曾经填满那些空白的内容。数字修补工具尝试做同样的事，但大多数现有方法混淆了两项关键任务：重建底层结构和保留独特的艺术风格。因此，修复后的区域可能在结构上不对，或者虽然形状正确却丧失了原始笔触与色彩的历史质感。挑战在于同时恢复绘画的“骨架”和“灵魂”。

教会 AI 分别识别结构与风格

DCADif 系统通过将问题拆分成两条路径来应对这一挑战。首先，研究者将壁画转换为简化的线描画，类似于墨线轮廓。这个精简版本捕捉了人物、物体和边界的位置，而不被颜色或质感所干扰。一个强大的视觉模型（改编自曾训练于数百万图像的工具）读取这幅线描并将壁画的结构提炼为紧凑的描述。在另一条路径中，一个新的“SwinStyle”编码器研究原始受损的画面以学习其风格指纹：颜色的混合方式、笔触的弧度以及表面的开裂或褪色。通过将结构与风格这两种描述分离，DCADif 能在修复过程中独立地控制它们。

让图像从噪声中显现

DCADif 的核心是扩散模型，这类 AI 从随机噪声开始，通过逐步“去噪”将其转变为逼真的图像。这个过程分为许多小步骤，有点像观看一幅模糊的图像逐渐变得清晰。作者设计了一个时序自适应特征融合模块，作为结构与风格之间的智能调节器。在早期高噪声阶段，模型强烈依赖结构，用线描来铺设正确的形状与轮廓。随着噪声消退、图像逐渐清晰，调节器逐步向风格倾斜，让丰富的色彩、质感和历史细节融入，而不会扭曲底层的线描。

在新的壁画与绘画库上验证

为了评估 DCADif 是否确实提升了数字修复效果，团队构建了一个名为 MuralVerse-S 的大型新数据集，该数据集来自敦煌、甘肃、河北和内蒙古等地区的壁画，并配备了模拟真实裂缝与剥落的逼真掩模。他们将 DCADif 与九种主流修补方法进行了比较，涵盖旧的卷积网络、基于 Transformer 的模型以及其他扩散方法。在多种模拟损伤程度下，DCADif 生成的图像在结构更清晰、整体布局更连贯以及质感上更接近原作方面表现更好。该方法在一组中国山水画上也有良好表现，成功重建了细微的墨迹与山脉轮廓，表明它的适用性可超出壁画本身。

对文化遗产的意义

除了量化指标与图表外，研究者还邀请了 50 名艺术专家与研究生对不同修复结果进行评分。参与者一致将 DCADif 在内容准确性、风格忠实度与整体质量上评为最高。真实示例——包括《簪花仕女图》之类的名作——显示该系统能够以与周围画面无缝融合的方式填补缺失的人脸、服饰与装饰图案。当然，作者也承认其局限：当大面积区域被破坏时，任何数字推测都存在历史不准确的风险，且该方法计算代价较高。即便如此，DCADif 为修复工作者提供了一个新的非侵入式工具，可以在不接触原作墙面的情况下提出谨慎且高保真的重建方案，帮助博物馆与研究者更好地研究、可视化与保护不可替代的文化珍宝。

引用: Peng, X., Li, C., Hu, Q. et al. DCADif: decoupled conditional adaptive time-dynamic fusion diffusion inpainting of traditional Chinese mural paintings. npj Herit. Sci. 14, 61 (2026). https://doi.org/10.1038/s40494-026-02327-8

关键词: 数字壁画修复, 图像修补, 扩散模型, 中国文化遗产, 艺术保护技术