用于无监督画作修复的合成裂纹生成
计算机视觉与模式识别
2026-02-16 v1 机器学习
摘要
文化遗产保存日益需要无创的数字方法来修复画作，但由于稀缺的像素级标注，识别和恢复复杂画笔纹理中的细微裂纹模式仍具有挑战。我们提出了一个完全无标注驱动的框架，由特定领域的合成裂纹生成器驱动，该生成器模拟真实的分支和渐变裂纹几何，使用 B\'ezier 轨迹。我们的ethods 将经典形态学探测器与基于学习的细化模块耦合：采用 Low-Rank Adaptation（LoRA）适配的 SegFormer 主干网络。独特的是，我们采用探测器引导策略，将形态学图作为输入空间先验注入，同时通过掩码混合损失和 logit 调整约束训练，专注于细化候选裂纹区域。后续的精细掩码指引下进行各向异性扩散填充，以重建缺失内容。实验结果表明，我们的管道在零样态设置下显著优于状态最佳的摄影修复模型，同时忠实地保留了原始画笔纹理。
引用
@article{arxiv.2602.12742,
title = {Synthetic Craquelure Generation for Unsupervised Painting Restoration},
author = {Jana Cuch-Guillén and Antonio Agudo and Raül Pérez-Gonzalo},
journal= {arXiv preprint arXiv:2602.12742},
year = {2026}
}
备注
Accepted to CAI 2026