编辑推荐：
为解决甲骨文因自然和人为破坏导致自动识别难，且现有去噪方法计算量大等问题，研究人员开展 OBIFormer 去噪框架研究。结果显示该框架在多数据集表现优异，助力甲骨文自动识别，为相关研究提供新途径。
甲骨文，作为中国最早的成熟文字系统，承载着古老的历史文化信息，对人类学和考古学研究意义非凡。然而，历经数千年的岁月侵蚀，出土的甲骨文碎片大多严重受损。自然风化、腐蚀以及人为破坏，让这些珍贵的文字变得残缺不全、模糊不清，给自动识别工作带来了极大的挑战。传统的去噪方法，如基于各种滤波器的技术，在面对甲骨文复杂的退化情况时，效果差强人意。深度学习兴起后，虽有不少针对图像去噪的方法被应用于甲骨文领域，但这些方法往往只关注像素级信息，忽略了甲骨文独特的字形信息，导致去噪效果不理想，而且部分方法计算量巨大。在这样的背景下，开展一项能够高效、精准地对甲骨文进行去噪，助力自动识别的研究显得尤为迫切。
国内研究人员针对上述问题展开了深入研究，提出了一种名为 OBIFormer（甲骨文注意力去噪框架）的创新方法。研究表明，OBIFormer 在合成和原始甲骨文数据集上，凭借 PSNR 和 SSIM 指标，取得了领先的去噪性能。在真实的甲骨文数据集实验中，该框架展现出了在辅助自动甲骨文识别方面的巨大潜力，这一成果意义重大，为甲骨文研究开辟了新的路径，有望推动古文字研究领域的进一步发展。相关研究成果发表在《Displays》上。
研究人员在开展研究时，运用了多项关键技术方法。OBIFormer 框架包含输入投影仪、输出投影仪、额外特征校正器以及多个 OBIFormer 模块（OFBs）。OFBs 又由通道自注意力模块（CSABs）、字形结构网络模块（GSNBs）和选择性内核特征融合（SKFF）模块构成。通过这些模块的协同作用，实现对甲骨文图像的去噪处理。实验选用了三个具有代表性的甲骨文数据集，即 Oracle - 50K、RCRN 和 OBC306，以此全面评估 OBIFormer 的性能。
甲骨文数据集研究
近年来，随着甲骨文相关计算机视觉任务的发展，多种甲骨文数据集应运而生。从内容来源划分，主要包括手印和拓片两类。手印数据集由甲骨文专家重新书写的无失真拓片图像构成；拓片数据集则直接来源于真实的甲骨文拓片。这些数据集为后续的研究提供了丰富的数据基础。
方法研究
OBIFormer 框架在设计上独具匠心。输入投影仪负责从输入图像中提取浅层特征。OFBs 中的 CSABs 用于提取重建特征，GSNBs 专注于学习甲骨文的字形信息，SKFF 模块则将这两种信息进行动态融合，将字形特征融入去噪主干网络，引导模型在去除复杂噪声的同时，完整保留甲骨文的固有字形。最后，输出投影仪根据融合后的信息重建去噪图像，额外特征校正器获取甲骨文的骨架图像。
实验研究
研究人员在三个具有代表性的甲骨文数据集 Oracle - 50K、RCRN 和 OBC306 上进行了全面实验。在 Oracle - 50K 和 RCRN 数据集上，OBIFormer 在 PSNR 和 SSIM 指标上展现出了卓越的去噪性能，超越了其他基线方法。在 OBC306 数据集上的实验，进一步验证了 OBIFormer 强大的泛化能力，证明其在辅助自动甲骨文识别方面具有巨大潜力。
研究人员提出的 OBIFormer 为甲骨文去噪和自动识别带来了新的解决方案。通过通道自注意力、字形提取和选择性内核特征融合技术，OBIFormer 在去噪性能上实现了突破，并且在计算效率上优于其他方法。在真实数据集上的良好表现，充分展示了其在实际应用中的价值，为甲骨文研究和自动识别技术的发展提供了重要的理论和实践支持。未来，有望基于该研究成果进一步优化算法，提高甲骨文识别的准确率和效率，推动古文字研究领域的发展。
