基于两阶段神经网络的古代壁画图像修复研究.pdf

摘要

摘要

古代壁画具有较高的文化和艺术价值，但很多年代久远的壁画都存在颜料脱落或

局部破损等问题。传统手工修复不仅耗时费力，还存在对壁画造成二次破坏的风险。

作为一种潜在的解决方案，基于深度学习的修复方法在自然图像上展现出令人印象深

刻的效果。但由于数据偏移，模型与修复任务的不匹配，现有的模型在修复破损壁画

图像时效果并不尽如人意。如何有针对性地构建适用于古代壁画图像修复任务的网络

模型是本文研究的重点。

与纹理繁杂、细节丰富的自然图像不同，壁画图像呈现出鲜明的轮廓线条和平滑

的填充色彩。本文结合壁画的图像特点和绘制过程，提出了一种两阶段壁画图像修复

框架：第一阶段，分别对破损壁画图像的亮度图和草图进行修复；第二阶段，使用修

复后的亮度图和草图还原真彩图像。依据此框架，本文先后设计了两个用于壁画图像

TripleCyclicReasoningNetwork,TCR

修复的网络模型，分别是三重循环推理网络（）

和双通道差模推理融合网络（Dual-ChannelDifferential-ModeReasoningFusion

Network,DDRF）。其中，DDRF是对TCR的优化。实验表明，本文提出的两阶段壁

画图像修复网络能够重建出清晰的结构和逼真的颜色，其性能在定量和定性测试中都

优于主流方法。本文的研究内容和主要贡献如下：

1

（）本文提出了亮度图和草图分离的两阶段壁画图像修复框架。亮度图反映了

图像的细节特征和亮度信息，也反映了壁画表面的反射特性。草图反映了图像的边缘

轮廓和局部颜色信息。此框架将修复任务进行分解，降低了每个子任务模块的训练难

度，提高了壁画图像的修复精度。

2

（）针对亮度图和草图的修复，本文提出了双自编码器推理模块，用于不规则

破损区域的内容填充。双自编码器推理模块中的第一个自编码器以迭代的方式逐步推

理出图像缺失区域的特征信息。第二个自编码器对第一个自编码器历次迭代的输出特

征进行融合，获得修复后的亮度图或草图。实验表明，双自编码器推理模块具有良好

的修复性能。

3

（）针对使用亮度图和草图进行色彩还原，本文提出了两种不同的色彩还原方

法，分别对应TCR中基于循环残差网络的色彩推理模块和DDRF中基于差模协同注

意力的色彩融合模块。其中，TCR中的色彩推理模块不需要在数据集上进行预训练

I

西北大学硕士学位论文

即可使用。该模块学习图像中已知区域的色彩映射，推理出缺失区域的真实颜色。

DDRF中的色彩融合模块使用差模空间注意力单元对亮度图和草图之间的不一致信

息进行协调，使用通道注意力单元对图像特征进行自适应增强。该模块能够还原出清

晰、自然的图像色彩。本文设计实验对两个模块的性能进行了充分的测试、对比和分

析。实验表明，DDRF中的色彩融合模块具有更好的色彩还原性能，且计算耗时更短。

关键词：古代壁画，图像修复，图像融合，深度学习，神经网络

II

ABSTRACT

ABSTRACT

Ancientmuralshavehighculturalandartisticvalue,butmanyoldmuralshavesome

diseasessuchaspigmentsheddingorpartialabsence.Traditionalmanualrestorationisnot

onlytime-consumingandlaborious,butalsohastheriskofsecondarydam