通过代理学习与结构引导对江南古壁画的数字修复

挽救正在褪色的壁画

在中国南方潮湿的江南水乡，数百年的壁画正悄然消失。热、湿与时间侵蚀灰泥，导致开裂、污染与剥落，这些损伤人工修复既昂贵又有风险。本文提出了一种新的计算机数字“修复”方法，在屏幕上复原这些脆弱的江南壁画的场景与笔意，而无需接触原始墙面。这项工作不仅对艺术爱好者重要，对于关心现代技术如何帮助维系世界文化记忆的人们也同样有意义。

江南的隐藏宝藏

本文研究的壁画散布在浙江省的宗祠、寺庙和老宅中。与敦煌那样著名的干燥洞窟不同，这些作品处在高温潮湿的气候，尤为不利于土、木与生石灰等材料。调查显示，许多壁画覆盖着叠加的损坏：裂缝、霉斑、褪色、渍痕以及颜料剥落处。物理修复既昂贵又不可逆，技术难度大，因此以像素而非灰泥重建图像的数字修复，为保护提供了更安全的第一道防线。然而，正是这些壁画的特殊性也使得计算机处理变得困难。

普通 AI 为什么不够

基于深度学习的现代图像修复程序通常依赖大量“修复前后”图像对进行训练。对于江南壁画，这类数据根本不存在：作品分散、由多人创作，且原始未损的面貌无从得知。同时，损伤本身也会干扰常规算法。深色裂缝和霉斑常与细腻的墨线相似，因此盲目依赖可见边缘的模型往往会复制损伤而非去除它。结果是，现成的修复工具要么留下瑕疵，要么虚构出与传统风格相冲突的细节。

从相关艺术中学习风格

为突破这一困境，作者提出了一个名为“结构引导代理修复”（Structurally Guided Proxy Restoration，SGPR）的工作流程。第一步是将“风格学习”与“壁画修复”分离。作者没有直接在稀少的壁画照片上训练，而是收集了来自博物馆的六千余幅古典中国画作为代理集合。这些图像在艺术语言上与江南壁画相通：线条流动的方式、墨色层次的处理与场景构图。研究者在该代理集上微调了基于最新扩散技术的强大图像生成器。一个特殊的损失函数鼓励模型不仅模仿纹理，还捕捉更广泛的艺术特征，如笔法节奏与色彩平衡。所得成果称为 ArtBooth，是一个能流畅“说”传统国画语言的生成器，即便它从未见过实际受损的壁画。

在污损图像中找出干净的线条

第二个关键步骤是从杂乱的照片中提取壁画的原始结构。作者在此引入了一种无需学习的选择性特征提取算法。该算法在两个图像尺度上查看同一受损壁画，并在每个尺度上运行两个简单的边缘检测器。那些在两个检测器和两个尺度上都持续出现的特征，很可能是原本的画线——例如衣袍轮廓或树干轮廓——而随机的斑点与污渍更可能是霉斑或水渍。通过将这些信号融合成一个“包络”掩码，算法增强了可靠线条并抑制噪声，生成两个干净的引导图：一张清晰的线稿和一张精炼的边缘图，强调真实结构并忽略大部分劣化部分。

实际中的结构引导数字修复

SGPR 的最后一部分通过一个优化的控制网络，将这些干净的结构图与擅长风格的生成器连接起来。在修复过程中，受损壁画图像与一段简短的文本提示输入到 ArtBooth，同时过滤后的线稿与边缘图作为某种脚手架被提供。改编后的 ControlNet 框架将这些图注入生成器的内部层，温和地引导每一步去噪，使新像素遵循原始布局与笔意，而不偏向通用场景。在模拟损伤和来自松溪村真实壁画的测试中，该组合系统比现有方法更彻底地去除了渍痕与裂缝，保持了人物与物件的正确位置，并生成了专家评估接近精心人工数字修复质量的图像。

这对文化遗产意味着什么

对非专业读者而言，结论很清楚：通过学习相关艺术品的视觉语言并谨慎地区分真实线条与损伤，AI 现在可以为可能逐渐消失的脆弱壁画提供博物馆级别的数字修补。尽管该方法在整段画面缺失时仍有困难，且尚未扩展到色彩极为丰富的作品，但它已经为修复人员提供了一个强大的新工具。更广泛地看，这项研究展示了如何通过巧用代理数据与结构引导，来保护许多因过于稀有、受损严重或过于珍贵而无法为现代 AI 提供大量训练样本的文化遗产对象。

引用: Yang, C., Liu, Y. & Cai, Y. Digital restoration of ancient Jiangnan murals via proxy learning and structural guidance. npj Herit. Sci. 14, 182 (2026). https://doi.org/10.1038/s40494-026-02369-y

关键词: 数字壁画修复, 文化遗产保护, 图像生成 AI, 中国画风格, 抗损伤特征提取