多尺度融合网络MFNet：东巴字符图像修复的创新框架与跨领域应用

【编辑推荐】针对东巴象形文字因纹理缺失、细节丰富导致的修复难题，研究团队提出首个多尺度融合网络MFNet，集成MFFU（多尺度特征融合单元）、GFFU（门控特征融合单元）和RFB（残差融合块），实现端到端修复。实验表明，该框架在自建DB1404数据集上超越现有方法，为古文字保护与跨领域（如汉字修复）提供新范式。

　　

东巴象形文字作为纳西族祖先创造的"世界记忆遗产"，因古籍保存条件恶劣导致大量字符损毁，而现有图像修复方法难以应对其纹理缺失但细节复杂的特性。更棘手的是，该领域此前缺乏公开数据集和专用算法，严重制约了古文字数字化保护与下游识别任务。针对这一空白，中国某高校的研究团队在《Expert Systems with Applications》发表研究，首创多尺度融合网络MFNet，为东巴字符修复开辟了新路径。

研究团队采用三项核心技术：基于U-Net架构构建MFNet框架，集成MFFU实现编码器多尺度特征融合，GFFU通过门控机制动态加权特征，RFB强化残差学习。实验数据源自自建的DB1404数据集（含445,273张东巴字符图像），通过对比Partial Conv、Gated Conv等先进方法验证性能。

【Multiscale Feature Fusion Unit】
MFFU通过融合不同层级编码器特征，解决东巴字符多尺度信息捕获难题。实验显示，该单元使PSNR提升2.1dB，证明多尺度融合对纹理缺失目标的必要性。

【Gated Feature Fusion Unit】
GFFU创新性地采用门控权重分配机制，使解码过程能动态调整MFFU与解码器特征的贡献度。消融实验表明，该设计使SSIM提高0.15，显著优化细节重建效果。

【Residual Fusion Block】
RFB通过残差连接聚合同尺度特征，增强特征表达能力。在随机遮挡测试中，该模块使修复准确率提升18.7%，证实其对复杂破损模式的适应性。

【跨领域验证】
研究团队将MFNet拓展至汉字修复场景，在相同参数下取得竞争性结果，LPIPS指标优于基线模型23%，证明框架的泛化能力。

该研究不仅填补了东巴字符修复领域的方法空白，更通过创新的多尺度融合机制为古文字计算提供了普适性框架。值得注意的是，仅使用MSE和SSIM损失函数即实现感知指标LPIPS的优化，暗示多尺度特征本身可能蕴含感知相关性。未来工作可探索该框架在甲骨文等其它古文字的应用，以及多模态融合对上下文推理的增强作用。