基于三维建模与机器视觉的文化遗产数字修复

让破碎的珍宝重获新生

博物馆藏品如古代陶罐与青铜器常常到达时出现破裂、不完整或表面磨损。人工修复既需要专业技艺又耗费大量时间，每一次触碰都有可能造成进一步损伤。本研究展示了计算机如何协助文物看护者在数字空间中重建受损器物的形状与表面装饰，生成可供研究、共享与展示的高精度3D模型，同时不使原件承受风险。

为何受损文物难以修复

文化遗物是过去社会的物质痕迹，但数百年的埋藏、风化与搬运常使它们崩缺、褪色或缺失大块部分。传统修复依赖修复师的目力与经验，因而速度慢、成本高且有时结果不一致。尤其难以推测缺失图样在曲面碗或壶上原本如何延展。随着藏品增加与更多出土件出现，博物馆需要能处理大量器物且在最小物理干预下保留细节的方法。

以三维捕捉完整形态

研究者首先着重重建器物的完整形态。他们用激光与相机扫描文物，收集表示其表面位置的密集点云。对这些原始数据进行清理与对齐后，算法在重叠的扫描中寻找关键点与稳定特征，并将其拼接为单一模型。经精心选择的网格方法将点云转成跟随器物曲线与脊线的细小三角形网络。一种特殊的双分支网络通过将预测点与真实样本比较来学习填补点云中的缺失区域，能在原始对象残缺时仍生成完整的3D模型。

用智能图像重绘磨损图纹

在几何形状完成后，该方法修复表面纹理，如彩绘带或雕刻纹样。团队使用了一类称为生成对抗网络的人工智能工具，这类网络学习生成与真实样本相似的新图像。他们以条件化设计扩展该思路，使系统能根据纹理类型的引导生成相应内容。若干技巧帮助网络聚焦关键区域：梯度滤波突出边缘应有的尖锐变化，“门控”计算告诉网络哪些图像部分应被更信任。上下文注意力阶段允许系统从未损坏的区域借用图块以填补空白，从而使线条与图案在修复区连续延展。

在真实博物馆器物上的方法测试

为评估方法效果，作者在公开的青铜与陶瓷3D模型及大量纹理样本上训练与测试算法。他们将点云补全与纹理修复结果与多种领先计算方法进行比较。在形状精度与图像质量的多项指标上，他们的系统持续呈现更小的误差、更平滑的边缘并且运行更快。修复表面的亮度与色彩更接近参考色卡，减少了可见不匹配。在碗与壶的实测中，整体形态与复杂的装饰带较竞争方法表现出更连续、更自然的效果。

专家如何看待这些数字修复成果

除量化指标外，团队还让人类评审在不知方法的情况下评分。评审对装饰的完整度与修复区与原始表面并置时的自然度进行打分。该新方法获得最高评分，大多数评价在视觉平滑度的顶级，明显假象的判定仅占很小比例。逐步消融实验也表明，每个附加组件（如条件引导、门控与上下文注意力）都对最终模型的连续性与真实感有贡献。

这对博物馆与公众意味着什么

研究得出结论：将精确的3D扫描与先进的图像学习结合，能够在数字领域以高精度与高速度修复受损文物。馆长可在不触碰原件的情况下查看“完成版”脆弱器物，制作用于展示或教学的逼真复制品，并保存供后续研究的详细记录。尽管当前工作侧重于稳定室内环境下的青铜与陶瓷件，相同思路可推广到其他材料与更严苛的环境。如此一来，数字工具成为人类专家的伙伴，帮助保护文化珍宝并让它们更广泛地为公众所见。

引用: Yu, J., Li, H. Digital restoration of cultural relics based on 3D modeling and machine vision. Sci Rep 16, 15124 (2026). https://doi.org/10.1038/s41598-026-45060-9

关键词: 文化遗产, 3D建模, 图像修复, 机器视觉, 生成对抗网络