通过 ORGAN 对象重建生成对抗网络可以有效地预测受损物体的缺失部位，具有很高的恢复受损信息的能力。

Nov, 2017

使用人工智能技术和图像分析方法，针对罗马普通陶器碎片的分类问题，提出了一个基于深度卷积VAE网络的非线性特征聚类模型，并创建了一个罗马普通陶器数据库，为不同社区的进一步研究提供了新的思路。

Mar, 2022

本文提出一种基于生成对抗网络的无监督方法，能够生成具有多样的字形和真实纹理的古代文字图像，该方法在分类准确率等方面表现出色。

Mar, 2023

通过生成对抗网络和深度变分推断来条件模拟地下体积中的蜿蜒通道，可以有效地从目标数据分布中进行采样和优化稳定化方法。

May, 2023

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

提出了一个名为3M-Hybrid的模型，用于恢复永乐宫壁画，通过利用高频和低频特征的互补学习、整合预训练的Vision Transformer模型和多尺度多角度策略，改善了大尺寸壁画恢复过程中的缝隙和结构失真问题，取得了显著的实验结果优化。

Sep, 2023

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

通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

Nov, 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

通过对主要基础多模态模型的能力进行评估，我们系统性地研究了这些模型在识别和分类有助于文化遗产保护和修复的石质元素的异常和磨损模式方面的能力，并确定了这些模型在遗产保护与修复领域的优势和劣势。

Jun, 2024