《Franklin Open》：Pattern reconstruction method for unearthed ceramic artifacts based on improved DDPM and StyleGAN
编辑推荐：
出土陶瓷文物的数字化修复常面临纹饰残缺、风化褪色及纹理模糊等难题。为提升纹饰重建的结构重构能力与风格适应性，研究人员提出一种基于改进去噪扩散概率模型（Improved Denoising Diffusion Probabilistic Model，IDDPM）
出土陶瓷文物的数字化修复常面临纹饰残缺、风化褪色及纹理模糊等难题。为提升纹饰重建的结构重构能力与风格适应性，研究人员提出一种基于改进去噪扩散概率模型（Improved Denoising Diffusion Probabilistic Model，IDDPM）与样式生成对抗网络（Style Generative Adversarial Network，StyleGAN）的出土陶瓷纹饰重建框架。在去噪扩散概率模型中引入多尺度高效通道注意力机制（Efficient Channel Attention，ECA），以增强对细节纹理的捕获能力。此外，构建渐进式生成与样式注入模块，以提升样式生成对抗网络在纹饰多样性与风格控制方面的灵活性。实验结果表明，改进后的去噪扩散概率模型结构相似性指数（Structural Similarity Index，SSIM）达0.945，峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）与平均色差分别为28.6 dB与3.1，优于对比模型。改进后的样式生成对抗网络多样性指数（Diversity Index，DI）达0.885，平均生成延迟控制在1.52 s以内。二者构成双路径修复工具集，在结构重建与风格生成方面互补完善整体数字化保护流程，为高质量纹饰重建与多样性建模提供了有效技术路径。
出土陶瓷纹饰智能重建研究解读
一、研究背景与问题提出
随着数字人文与文化遗产保护技术的快速发展，出土陶瓷文物的数字化修复已成为提升遗产视觉价值、实现多维数字复原的重要方向。出土陶瓷常因风化、破损及釉面剥蚀而出现纹饰残缺、结构模糊等问题，亟需借助智能算法自动恢复其纹理、色彩与结构细节，以支撑博物馆展览、科研建模及虚拟修复等多场景应用。然而，纹饰重建本质上属于高维非线性生成问题。传统图像修复方法依赖局部插值与风格迁移，难以兼顾结构精度与风格一致性；基于卷积的视觉模型虽能从局部轮廓到高层语义结构进行分层表征学习，但对样本质量高度敏感，泛化能力不足且输出易模糊。近年来，去噪扩散概率模型（DDPM）凭借强生成稳定性与细节保真能力在图像修复与生成任务中表现突出，但存在采样速度慢、风格多样性控制薄弱等问题。与此同时，生成对抗网络（GAN）在图像风格化方面优势明显，却易出现梯度消失、生成质量不稳定或风格单一等缺陷。现有研究多聚焦于模型本体性能改进，缺乏对出土陶瓷纹饰特定结构与语义信息的深入建模与适配机制。基于此，研究人员提出基于改进扩散生成与对抗学习机制的出土陶瓷纹饰重建方法。
二、研究内容与核心结论
该研究构建了由改进去噪扩散概率模型（IDDPM）与改进样式生成对抗网络（IStyleGAN）组成的双路径修复工具集。IDDPM路径面向严重破损文物的高精度结构修复，IStyleGAN路径面向快速、多样化的风格生成需求。实验结果表明，IDDPM在结构相似性指数（SSIM）、峰值信噪比（PSNR）及纹理分布KL散度等指标上均取得最优表现，SSIM达0.945，KL散度仅0.023，在素烧与青花瓷纹饰重建中结构恢复能力尤为突出。IStyleGAN的多样性指数（DI）达0.885，平均生成延迟仅1.52 s，在快速重建与多风格输出方面具有显著优势。两项技术构成互补关系：IDDPM侧重重建可观测结构，IStyleGAN则支持基于特定类别与色彩条件的快速生成。
三、关键技术方法
研究人员主要采用了以下关键技术方法：其一，在多尺度卷积融合基础上引入ECA注意力机制，通过轻量一维卷积实现跨通道信息交换与重要性加权，增强模型对多尺度纹理特征的建模能力；其二，结合颜色聚类技术引导扩散采样过程，使生成纹饰在色调与色域过渡上更贴近历史陶瓷真实风格；其三，IStyleGAN采用渐进式生成策略，从4×4低分辨率特征图逐层上采样至256×256，逐步注入纹理、结构与色彩信息；其四，构建条件样式映射与逐层注入机制，将潜向量与条件向量拼接后映射至中间样式空间，实现对生成纹饰类别与色彩分布的精确控制。数据集方面，研究选用真实拍摄的陶瓷装饰数据集，涵盖青花瓷、彩绘瓷与素烧瓷三类风格，共1800幅高分辨率样本，按70%、10%、20%划分为训练集、验证集与测试集，并利用公开的克拉克瓷装饰纹饰数据集进行预训练。
四、研究结果分析
IDDPM纹饰重建模型分析。 对比实验表明，IDDPM在SSIM、PSNR与平均色差（MCD）三项指标上均优于DDPM、Attention-Diffusion、ICM-GAN及StyleGAN2等对比模型。在纹理一致性方面，IDDPM的KL散度最低，仅0.023，表明其能更好地保留原始纹饰纹理分布特征；在多样性方面，IDDPM的DI达0.873，实现了一致性与多样性的较好平衡。分纹饰类别评估显示，IDDPM在青花瓷、彩绘瓷与素烧瓷三类纹饰重建任务中的SSIM分别为0.948、0.936与0.946，均优于对比模型，验证了其跨类别泛化能力。
IStyleGAN纹饰重建模型分析。 实时性能实验表明，IStyleGAN平均生成时间仅1.52 s，最大与最短生成时间分别为1.61 s与1.48 s，显著优于扩散模型，满足数字化修复系统的实时性要求。风格控制能力评估显示，IStyleGAN在风格响应得分（0.927）、色彩控制能力（0.90）及纹理一致性（0.94）方面均优于StyleGAN2与IDDPM。综合多样性评估中，IStyleGAN的DI达0.885，优于所有对比模型，同时FID与KID指标亦为最优。
消融实验分析。 IDDPM组件消融实验显示，多尺度融合、ECA与颜色引导各自独立提升DDPM基线性能，其中多尺度融合对结构恢复贡献最大，多尺度融合与ECA组合进一步将SSIM提升至0.937，完整配置达到SSIM 0.945、PSNR 28.63 dB、MCD 3.12。IStyleGAN消融实验表明，条件样式映射对多样性提升贡献最大，将DI从0.835提升至0.866，渐进式合成降低FID与生成时间，判别器引导联合更新主要改善训练稳定性，完整IStyleGAN取得最高DI与最低FID、KID及生成时间。
感知指标与专家评估。 基于360幅留出测试图像计算FID、KID与LPIPS指标，并邀请七位领域专家对36个测试案例进行盲评。IDDPM在FID、KID、LPIPS及专家结构保真度评分上均最优，IStyleGAN在专家风格一致性评分上最高，定量证据与专家评估结果一致表明两条路径分别满足不同的修复需求。
五、讨论与结论
该研究提出的双路径修复工具集有效解决了传统纹饰修复方法在结构恢复、风格控制与生成效率方面的不足。IDDPM通过引入ECA模块与颜色引导机制，增强了模型对纹饰细节与色域一致性的学习能力；IStyleGAN结合渐进式合成与条件样式映射，提升了风格生成的灵活性与可控性。综合而言，IDDPM更适合面向精度的纹饰重建任务，IStyleGAN在多样化需求场景中更具潜力。研究仍存在一定局限：目标数据集仅1800幅图像，来源限于区域性博物馆与考古记录，风格与采集条件可能无法代表其他地理区域或历史时期的陶瓷收藏；公开克拉克数据集仅用于预训练，不能替代独立目标域测试集。未来工作可引入逐层相关性传播与神经元路径可视化，深入探究内部特征对重建结构与风格的影响机制。
