基于扩散的古铜器图像修复在最小干预框架下：空间一致性指标与过度修复风险诊断

为什么旧铜器照片今天仍然重要

古代青铜器的照片不仅展示了精美的器物；它们还默默记录了每件器物在地下和博物馆保存环境中的风化过程。腐蚀斑点、起皮的表面和多色的铜锈不仅是可以在屏幕上清除的瑕疵，而是有关历史的物理线索。本研究探讨如何将现代人工智能（AI）图像修复工具用于整理受损的青铜器照片，同时避免无意中改写这些线索，从而造成对过去的误导性呈现。

在不抹去历史的前提下修复影像

博物馆和考古学家依赖青铜器的档案照片进行研究、编目和对外呈现。许多这些影像存在损坏：局部缺失、划痕或被后期污渍覆盖。在日常图像编辑中，软件可以“美化”这些缺陷。但对于文化遗产而言，腐蚀结壳和斑驳的铜绿是证据，而非噪音。作者将数字修复置于“最小干预”问题的框架中：仅改变为使照片可读所必需的部分，保留真实的表面痕迹不动。这使得修复不仅关乎视觉吸引力，更关乎诚实和可信性。

三种 AI 工具的对比测试

研究比较了三种可填补图像缺失的主流 AI 方法。LaMa 代表一种快速且常规的神经网络，可一次性完成图像缺口的修补。Stable Diffusion Inpainting 和 ControlNet Inpainting 则是较新的“扩散”模型，它们通过逐步细化生成图像，因能产生丰富且逼真的细节而闻名。三者均被用于修复来自古代古梅国发掘的青铜器照片，使用完全相同的输入和精心准备的损伤掩模，以标记确实缺失的内容。

一种巧妙的方式来衡量有益变化与有害变化

评估修复效果很棘手，因为对于受损文物通常很少存在完美的“修复后”照片。因此作者设计了两套互补测试。首先，对于相对完整的图像，他们人为抹去某些区域并让各方法重建这些部分，在这里可以将结果与原图比较并计算标准的图像质量分数。其次，对于真实受损的档案照片（无真实参考），评估重点从“看起来有多好？”转为“算法到底在哪里改变了图像？”他们把每张照片分为三类区域：应当被修改的掩模内损伤区、掩模外一条可接受过渡的窄容差带，以及不应被改动的其余完整表面区域。

发现并绘制过度修复风险

对于真实损伤的案例，团队测量了每种方法在掩模内、边界带以及更远的原本完整表面上产生强烈改变的频率。他们将这些变化可视化为热力图，展示新像素出现或颜色偏移的位置。随后邀请三位修复与考古专家在不知方法的情况下对结果进行盲评，判断哪种结果更具真实性以及干预程度是否可接受。三种 AI 系统都能合理地重建缺失的纹样和形状，扩散模型常常生成更为令人印象深刻的纹理细节。但它们也更可能在受损区域之外对腐蚀与铜绿进行微妙的平滑或重绘，从而引发一种具有吸引力但可能误导的“虚假现实”的风险。

该研究对修复师与技术人员的启示

作者发现，尽管 LaMa 更简单，但在修补缺失区域方面的表现与扩散模型相当，同时在掩模外造成的不期望改动要少得多。Stable Diffusion 与 ControlNet 提供了更清晰、连贯的填充效果，但它们在向原始表面区域溢出的比率更高，尤其是在富含腐蚀、对作为证据的区域至关重要的部位。专家认为三种方法的大多数输出均可作为讨论和教学的有用草案材料，但不适合直接作为能替代真实文物的最终独立代表。研究得出结论：必须将强大的生成工具与严格、透明的干预检测相结合。通过将修复的“最小干预”理念转化为可量化的空间指标和可视化风险图，作者为博物馆与研究人员提供了一种在保护真实性的前提下利用 AI 修复的实用方案。

引用: Sui, Q., Shou, W. & Yang, H. Diffusion-based restoration of corroded bronzeware images under a minimal-intervention framework: spatial-compliance indices and over-restoration risk diagnostics. npj Herit. Sci. 14, 259 (2026). https://doi.org/10.1038/s40494-026-02539-y

关键词: 数字修复, 文化遗产成像, 青铜器, 图像修复（inpainting）, 最小干预