本文介绍了一种基于 Deep Image Prior 算法的图像修复方法，该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中，利用可靠信息匹配来完成修复。作为案例研究，作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复，并提供了详细描述。

Jun, 2023

该研究论文探讨了文化遗产的保存与恢复问题，并提出了一种基于多模态深度学习的古代文字恢复模型（MMRM），通过结合上下文理解和损坏古代文物的残留视觉信息，实现同时预测损坏字符并生成恢复图像的功能。实验结果表明该方法在模拟实验和实际古代铭文中给出了有价值的恢复建议，为古代社会和文化的理解提供了贡献。

Mar, 2024

本文探讨了最近出现的 DALL-E (AI 工具) 在完成古代寺庙和建筑立面的工作中的应用，分析了该领域中尚未发展完全的图形组合构图思想。

Mar, 2023

提出了一种两阶段的墙画增强和恢复模型（MER），用于受损且在低光条件下拍摄的古代壁画的大规模恢复。该模型不仅提高了恢复图像的视觉质量，而且在相关度量评估中取得了可喜的结果与其他竞争者相比。此外，我们还推出了一个专门用于古代壁画修复的网站，利用所提出的模型。

May, 2024

生成型 AI 平台在理解建筑历史和生成新创意作品方面具有强大的潜力，但我们需要了解它们对建筑风格的理解能力以及其已被实践者用于查询特定建筑概念的情况。

Dec, 2023

通过对主要来源于古代美索不达米亚历史文化的粘土楔形文字进行网络模型建模，研究自动补全阿奇美尼德时期巴比伦的古代阿卡德语文本中的断裂的可能性。

Mar, 2020

使用机器学习技术对欧洲大学在 1472 年至 1650 年间使用的 359 种印刷教科书中的天文学知识进行深入分析，揭示了历史材料中数学天文学领域的知识和创新在时空进化中的重要方面。

Oct, 2023

本文讨论了计算机使用人工智能是否能够创作艺术，包括描绘了其自动化艺术的历史、现实和未来的发展前景，并推测了人工智能是否有可能被认为是艺术作品的创作者。

Jan, 2018

使用 DALL-E-2 的绘画文本综合引擎制作合成图像极具逼真，并可能对照片取证提出新挑战，因此本文对 DALL-E-2 合成图像的透视一致性进行了初步探索，以确定基于几何的鉴定分析是否能检测这种新型合成媒体。

Jun, 2022

本研究论文提出了一种使用深度学习，特别是卷积神经网络（CNNs），与计算机视觉技术相结合的创新方法来革新艺术修复领域。通过创建多样化的退化艺术图像数据集，我们训练了一个分布式去噪卷积神经网络（DDCNN），该网络能够去除失真并保留复杂的细节，可适用于绘画、素描和照片等多种退化艺术品。大量实验证明了我们方法相对于传统技术的高效性和有效性，使退化艺术品焕发出新的风采。定量评估结果证实了我们方法的优越性，重塑了艺术修复领域，为保护文化遗产开辟了新的道路。总之，本论文引入了一种结合计算机视觉和深度学习的基于人工智能的解决方案，通过 DDCNN 准确恢复艺术品，克服了传统方法的局限性，并为艺术修复领域的未来进步铺平了道路。

Oct, 2023