跨越海峡圆梦！AI技术让《富春山居图》实现数字合璧
跨越海峡圆梦！AI技术让《富春山居图》实现数字合璧
长期以来，因历史原因被火烧为两截的《富春山居图》残卷分别藏于浙江省博物馆和台北故宫博物院，大面积的残缺，让这幅传世佳作难以展现全貌。
2019年，一位来自我国台湾地区的文化工作者在陕西交流时提出，希望有生之年能看到修复后的完整画作。参与交流的陕西师范大学人工智能与计算机学院、民歌智能计算与服务技术文化和旅游部重点实验室副教授孙增国听后深受触动，便萌生了通过数字技术复原古画的想法。正是这一次邂逅，让他和团队开启了古画AI数字修复的科研道路。
近日，团队研发的新型Mamba古画修复模型，突破了行业技术瓶颈，解决了古画修复过程中大面积破损难修复的问题，实现了细节精确修复。相比于团队此前研发的边缘引导、小破损修复等系列模型，全新技术实现了全方位升级，成为集成式的修复方案。相关成果发表于《人工智能的工程应用》。
团队利用Ai修复的《富春山居图》。受访者供图
区别于传统人工修复
古字画是承载中国精神与东方气韵的珍贵文化遗产，历经千百年岁月侵蚀，部分传世古画存在破损、糟朽、残缺等问题，尤其是火烧、人为撕毁造成的大面积破损，一直是文物修复领域的棘手难题。
团队早期研发的模型针对性极强：边缘引导修复技术适用于修复人员可预判破损内容的画面；小破损修复技术则依托画作原有周边纹理，可快速填补小幅残缺区域。
“早期AI修复技术仅能应对小幅破损画面，面对大面积残缺画作，往往无法兼顾整体轮廓与细微笔墨纹理，修复效率低、还原度差，难以满足珍贵古画的修复需求。”孙增国坦言，全新Mamba模型技术，专攻高难度、大面积破损场景，即便画作残缺面积达到三分之二，依然能精准完成修复工作。
孙增国（前）副教授团队在实验室。受访者供图
论文第一作者、陕西师范大学博士生常菊美介绍， 新型Mamba古画修复模型 最大的核心优势是，一方面，可精准还原大面积破损区域的整体结构轮廓，比如古树枝干、古建筑框架等主体形态；另一方面，能细致复原叶片、瓦纹、笔墨晕染等细微纹理细节，规避了以往修复画面模糊、细节缺失、画风违和的问题。同时，模型具备线性复杂度的特性，大幅降低修复运算成本，在保障高精度修复效果的同时，极大提升了修复效率，也为后续移动端轻量化落地应用奠定了基础。
孙增国告诉《中国科学报》，相较于传统人工修复，AI数字修复有着清晰的定位和独特优势。该技术属于虚拟修复，全程不触碰、不改动文物本体，彻底规避了人工修复可能造成的文物二次损伤风险。同时，AI修复可批量处理画作破损问题，效率超过人工修复，能够为文博专家的实体修复提供精准、多元的参考依据和辅助思路。
孙增国强调，AI数字修复始终是人工修复的补充手段，永远无法替代传统人工修复，二者相辅相成、互为支撑。“我们团队始终严格界定技术应用边界，不能将AI修复成果等同于文物真迹，所有数字化修复成品均定位为文创作品。”孙增国说。
团队参加世界互联网大会文化遗产数字化精品展。受访者供图
从“修旧如旧”到“修旧如新”
科研初期，团队成员便遇到第一道瓶颈：数据集的构建难题。古画笔墨纹理独特、色彩晕染细腻，且现存高清古画素材稀少、普遍存在噪声、模糊等问题，而样本质量直接决定模型修复精度。
为筛选出适配古画修复的最优样本，团队进行了长期的摸索。样本尺寸过大，会导致画面元素模糊、特征不清晰；尺寸过小，会割裂山水、草木、建筑的空间关联，同时放大画面原有噪声与模糊问题，严重干扰模型训练。
历经无数次调试、对比、测试，团队最终确定最优样本尺寸，同时创新采用区域预处理技术，优化样本画质、剔除干扰因素。“这套耗时多年搭建的基础数据集，成为我们团队后续所有修复模型、系列科研成果的核心根基，为各类破损场景的技术研发提供了坚实支撑。”孙增国介绍。
数据集难题攻克后，“模拟破损适配真实古画修复”的核心难题再次困住团队。初期模型训练依托人工模拟破损样本开展，通过添加蒙版打造规则、不规则的残缺画面，让模型学习破损前后的画面关联。但真实古画的破损形态随机、无规律，且破损区域原始信息完全缺失，即便资深文博修复专家也很难精准预判原貌，导致训练成型的模型难以适配真实古画修复场景，实用性大打折扣。
为破解这一核心痛点，团队花费漫长时间开展专项攻关。科研人员摒弃单一、规整的模拟破损样式，海量扩充样本数量，丰富破损形态，随机生成方形、曲线形、不规则形状等各类破损样式，最大限度贴近古画自然破损、人为破损的真实样貌。尽管这一过程漫长且艰辛，但全部成员始终没有放弃，持续迭代样本、调试参数、对比实验效果。
反复打磨之下，多元化、全覆盖的模拟破损数据集成功成型，模型逐步掌握各类古画破损的修复逻辑，顺利适配真实破损古画的修复工作。最终，模型不仅能完美修复实验样本，对真实传世破损古画的修复效果也做到了精准自然、细节饱满，与画作原有纹理、画风高度契合。
除此之外，修复画风失真、细节缺失、串色错位等问题，也是团队常年攻坚的重点。训练初期，模型时常出现树叶修复消失、树干纹理模糊、色彩错乱等问题。团队摸索出一套双向优化方案，一方面持续优化样本质量，丰富画面元素、保障样本清晰度；另一方面反复迭代调试模型参数、调整训练轮次，通过与完整真迹样本精准比对、计算误差函数，不断优化模型修复精度。日复一日的微调、测试、优化，让AI模型逐步适配古画独特的笔墨韵味，精准还原传统国画的艺术风格。
值得一提的是，在修复理念上，团队创新提出从传统“修旧如旧”向“修旧如新”迭代。针对大面积破损、无法精准还原原貌的古画，摒弃固化修复思维，依托AI图像编辑技术，结合专家与用户的创意引导，在贴合画作整体风格的基础上完成二次创作，打造特色文创作品，为文物活化利用开辟了新赛道。