9、数字遗产修复：基于深度学习超分辨率与自适应源约束图像修复

数字遗产修复：基于深度学习超分辨率与自适应源约束图像修复

1. 深度学习超分辨率技术

在图像超分辨率领域，传统方法存在一定局限性，而深度学习为其带来了新的解决方案。通过构建深度卷积神经网络（CNN），可以学习到图像的空间关系，从而实现从低分辨率图像中恢复高分辨率图像的细节。

在训练阶段，CNN 会分析图像的空间关系，学习到一种变换，用于将低分辨率图像转换为高分辨率图像。实验结果表明，该方法不仅在感知上有明显改善，在峰值信噪比（PSNR）和结构相似性指数（SSIM）等指标上也有提升，证明了深度学习框架在超分辨率任务中的有效性。

在这个过程中，CNN 滤波器和子图像大小对结果影响较大。对于灰度（亮度通道）图像，该方法相较于双三次插值的数字变焦，在感知和量化上都有更优表现。

2. 旧洞穴壁画数字图像修复

洞穴壁画承载着丰富的历史文化遗产，但随着时间推移，它们会受到各种因素的破坏，如泥土、烟尘、湿气、昆虫和真菌等。传统的物理修复方法需要谨慎操作，否则可能会进一步损坏壁画。而数字化修复为保护这些遗产提供了新途径，它成本低、耗时少，还能为物理修复提供线索。

2.1 图像修复技术分类

目前的图像修复技术主要分为以下三类：
- 基于结构或几何或偏微分方程（PDE）的技术 ：通过求解偏微分方程模拟扩散过程来填充缺失区域。这种方法利用缺失区域邻域的信息，局部性较强，不适合填充大的缺失区域，且可能会使修复区域产生模糊。
- 基于样本或纹理的技术 ：将已知区域的内容逐像素或逐块复制到未知区域，适合填充大的缺失区域，不会产生