在中华人民共和国成立70周年之际，中央档案馆公开了一批精选馆藏珍贵档案文献，其中开国大典彩色影像是目前公开的关于开国大典时间最长、内容最完整的视频资料，引发强烈社会反响。据2019年9月21日热搜历史数据统计显示，以“中央档案馆公布开国大典彩色视频”为题的信息在抖音的搜索量高达747万次、在微博的搜索量高达256万次。开国大典彩色影像不仅重现了开国大典的真实原貌与新中国成立的光辉时刻，也激荡起人们的爱党爱国热情。
照片档案、录像档案区别于其他类型档案，更加直观、纪实，更具感染力、张力，是开展专题展览、公益讲座、媒体宣传等的优选素材。但是，在现存海量历史照片档案数字资源中，由于拍摄技术、年代、保存方式等因素限制，大多原始图像的清晰度与画质不仅远跟不上播放设备的更新速度，还存在着画面模糊、细节丢失、色彩偏失、破损划痕等不同程度的损伤问题。在国家5G+4K超高清产业发展战略支持下，更高清晰度、色彩更饱和的图像已经成为发展趋势。对档案部门来说，如何做好珍贵照片档案数字资源的开发利用工作是亟需思考的问题。
目前，照片档案数字资源可分为照片类电子档案与照片档案数字图像两类。照片类电子档案大多为近些年拍摄，图像质量较好，由于虚焦拍摄或格式转换压缩等因素，偶尔会出现画面模糊等问题，大多无需进行数字修复。而照片档案数字图像则保留着载体档案原有的样貌，特别是一些珍贵的历史电影胶片、缩微胶片或数码胶片及长幅照片等类型的档案数字图像，还存在污损、缺失、模糊、褪色等多种复杂问题。另外，在照片档案数字化过程中，由于扫描设备、操作方法、扫描环境等的限制，相比原始图像，数字图像还可能存在画面扭曲、阴影、折痕、偏色、局部模糊等问题。
针对上述问题，档案部门常用的传统数字修复方法是利用Photoshop、Davinci等专业软件对图像进行正颜色、降噪声、去污斑、补缺失等操作。这些操作要求数字修复工作人员不仅要具备一定的软件操作水平，还需具备专业的档案修复鉴别力。同时，面对馆藏海量档案数字图像资源，大规模人工数字修复操作一般难以实现。而利用人工智能图像修复技术，则能帮助解决档案部门数字修复专业人员少、数字修复效率不高等难题。
人工智能图像修复技术是近年来深度学习领域的热点，如今已在传统文化作品修复、图像编辑等领域得到广泛应用。相比传统修复方法，基于深度学习的图像修复方法运用了传统修复算法技术，并结合足够丰富的训练经验以及不断优化的深层网络结构，能够辅助工作人员对档案数字化副本资源及时进行抢救修复，帮助提高修复效率、提升修复效果。
据现阶段研究情况，照片档案数字图像的问题大致可分为4类：图像模糊（分辨率低）、图像褪色（偏色）、图像污损（残缺）、图像扭曲（形变）。
图像模糊（分辨率低）问题几乎无法通过传统方式进行修复，可以利用深度学习技术并通过邻近区域的像素特征及深层训练进行智能修复。修复模型大多基于Gan（即生成式对抗网络）构成，包含特征提取、去模糊以及超分辨率等模块，经过配置与训练后，最终可实现模糊图像的清晰化处理。
针对图像褪色（偏色）问题，一般可利用传统方法进行修复，但需要耗费大量时间，如果运用深度学习技术，则能辅助实现批量图像的智能化着色。智能着色模型大多依赖于千万级数据集的训练，在实际操作中，能否利用小样本数据集并与Gan相结合，优化着色效果，还需进一步研究。此外，在着色前，还需对图像进行色彩空间转换等预操作处理。
图像污损（残缺）问题的传统修复方法相对繁琐耗时，如果借助深度学习技术，则可以通过“先补全线条后填色”的方式进行智能修复。修复模型至少包括边缘生成与图像补全模块。目前，深度学习技术在人脸补全、建筑修复等方面更容易实现新突破，在档案的数字修复工作中如何运用，还有待进一步研究。
图像扭曲（形变）问题易出现在长幅照片数字化扫描的图像中。利用基于堆叠U-Net构建的网络模型，可实现多种畸变情况的修复。U-Net的原理是将逐层收缩网络的池化部分用反卷积代替，增加了输出分辨率，并将网络前部分的卷积结果链接到之后的反卷积结果上，经过逐层的上采样可以得到更加精确的结果。通过对该模型进行配置与训练，在技术上可实现端到端的图像畸变矫正，复原多样复杂的扭曲图像。
人工智能技术可以帮助解决以上4类常见的照片档案数字图像问题。但现阶段，还没有专门用于照片档案数字修复的成熟人工智能产品，也没有应用人工智能技术修复照片档案数字图像的实践案例。为探究人工智能技术是否适用于照片档案数字修复工作，目前，课题组正在深入推进深度学习技术在照片档案数字图像修复中的应用研究。
|
