本文提出了一种基于自我关注机制的多任务学习方法，用于恢复和翻译历史文献，并通过主题建模进行了深入的探索分析，揭示了多个重要历史事件。

Apr, 2021

我们提出了一种基于多模态大语言模型（MLLM）的图像修复框架，名为多模态大语言模型修复助理（LLMRA），通过利用 MLLM 的印象能力来获取通用图像修复的降级信息，并通过 Context Enhance 模块和 Degradation Context based Transformer Network 将这些上下文嵌入整合到修复网络中，提供了输入低质量图像和恢复后高质量图像的低级属性描述。大量实验证明了 LLMRA 在通用图像修复任务中的卓越性能。

Jan, 2024

这篇论文介绍了 Pythia，它是第一个使用深度神经网络从损坏的文本中恢复缺失字符的古代文本修复模型，在 PHI-ML 上实现了 30.1% 的字符错误率并在古代文字修复领域达到了最新水平。

Oct, 2019

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

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

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

我们提出了一种新颖的知识感知艺术品图像合成方法，准确地将历史遗失的对象恢复为视觉形式，通过构造带有显式考古知识的提示、引入额外的文本指导以及应用视觉 - 语义约束，使模型能够学习更多细节，并生成更高质量的艺术品图像。

Dec, 2023

通过将图像转化为文本表示形式，结合文字的降级移除能力和图像的详细描述能力，提出了一种图像恢复新方法，通过映射降级图像为文本表示进行去除降级，再将恢复后的文本表示转化为图像指导信息进行图像恢复。在各种图像恢复任务中展示了我们的方法优于现有方法的结果。

Dec, 2023

本研究提出了一种有效的基于文本提示的图像修复模型，通过任务特定的 BERT 进行精确理解用户指令并生成文本提示，设计了深度多头转置注意力和门控卷积模块来弥合文本提示和视觉特征之间的差距，创新地将语义提示引入到低层视觉域中，实验证明该模型在公共去噪、去雾和去雨数据集上获得了显著优越的性能，能够准确识别和去除图像的退化，无需增加模型的复杂性。

Dec, 2023

我们的研究通过合成数据的方法，为古代亚述文字符号生成了大规模的数据集，以此训练人工神经网络以提高掌握这些古代碑文的能力。通过验证实验，我们验证了该模型在处理多样的真实场景中的能力，并证明了我们合成数据方法的可行性，避免了对稀缺的训练数据的依赖，从而提高了对受损碑文的解读准确性和对历史资源的知识提取。

Oct, 2023