Print

发布时间: 2022-06-16
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.220198
2022 | Volume 27 | Number 6




    数据挖掘和信息交互    




  <<上一篇 




  下一篇>> 




文化遗产活化关键技术研究进展
expand article info 耿国华1, 何雪磊1,3, 王美丽2, 李康1, 贺小伟1,3
1. 西北大学信息科学与技术学院，西安 710127;
2. 西北农林科技大学信息工程学院，杨凌 712100;
3. 西安市影像组学与智能感知重点实验室，西安 710127
收稿日期: 2022-03-06; 修回日期: 2022-03-28; 预印本日期: 2022-04-04
作者简介: 耿国华, 1955年生，女，教授，主要研究方向为智能信息处理、数据库与知识库、图象处理、文物数字化保护技术研究。E-mail：ghgeng@nwu.edu.cn
何雪磊，男，讲师，主要研究方向为影像组学、分子影像、重建算法。E-mail：xueleihe@nwu.edu.cn
王美丽, 女, 教授，主要研究方向为计算机图形学和虚拟现实技术。E-mail：wml@nwsuaf.edu.cn
李康，男，副教授，主要研究方向为计算机图形学和文物数字化保护技术研究。E-mail：854092@qq.com
贺小伟，通信作者，男，教授，主要研究方向为文物数字化保护、影像组学、分子影像、大数据分析、信息化建设。E-mail：hexw@nwu.edu.cn
*通信作者: 贺小伟  hexw@nwu.edu.cn
中图法分类号: TP391
文献标识码: A
文章编号: 1006-8961(2022)06-1988-20

摘要

中华民族文化资源丰富、种类繁多且艺术形式多样，源于民族，植根民间，承载着历史记忆，延续着文化血脉，是中华民族的根与魂。文化遗产分布广、流传年代长，具有多样性、独特性和不可再生性等特点，是研究古代人类文明发展的珍贵资料。目前随着信息技术的迅猛发展以及全球化的冲击，其传承形式发生了根本性变化，特别是非物质文化遗产的人际传承方式，因此亟待在资源与媒介、内容与技术之间搭建技术的桥梁，支撑中华文化遗产的数字化传承。本文基于先进的智能计算、数字媒体和虚拟现实/增强现实技术，结合文化遗产的传播过程和艺术特点，对文化遗产收集理解、虚实结合智能展示交互和智慧化平台建设等活化关键技术的发展现状、前沿动态、热点问题和发展趋势进行分析和综述。在文化遗产收集理解方面，针对复杂文物数字化所存在的瓶颈问题，介绍数字化采集与重建关键技术；介绍文化遗产元素、主题和风格等特征提取算法，分析文化遗产的构图特征、分布特征、色彩特征和造型特征等数字化模拟过程中的关键技术，介绍基于语义特征分析、理解和识别的文化遗产理解及建设关键技术。对比和分析传统图形图像处理和深度学习方法在民族文化数字化仿真过程的优缺点，比较算法特点和算法效率，阐述存在的问题和难点，并对民族文化数字化仿真进行展望。在虚实结合智能展示交互方面，针对文化遗产的实体化展示和虚拟化展示特点，结合前沿信息技术，以多模态图像处理、小样本学习以及风格化图像生成方法为技术手段，基于多源异构大数据分析、知识图谱及深度学习等研究，综述文化遗产数字化修复的关键技术。面向文化遗产3D交互展示的需求，结合文本、音频、视频、语义和故事检索，介绍基于内容的自然人机交互技术；通过实时逼真、虚实融合渲染以及基于增强现实技术介绍相应的数字展品虚拟交互展示新技术。在智慧化平台建设方面，针对目前文化遗产智慧化平台系统管理分散导致业务协同不畅、数据缺乏统一规范导致数据难以共享，系统维护难度大、管理成本高以及用户使用不便等诸多问题，介绍文化遗产大数据模型与私有云架构关键技术研究以及相关的智慧平台建设项目。通过以上文化遗产活化的关键技术主动融入国家发展重大战略，有利于挖掘和提升民族文化遗产保护传承技术，促进文化遗产活化技术的合理利用，扩大传播影响，对弘扬中华文明、促进文化繁荣、建设少数民族示范区以及构筑文化自信具有重要意义。

关键词

文化遗产; 数字化; 虚拟修复; 虚拟交互; 智慧平台

Research progress on key technologies of cultural heritage activation
expand article info Geng Guohua1, He Xuelei1,3, Wang Meili2, Li Kang1, He Xiaowei1,3
1. School of Information Science and Technology, Northwest University, Xi'an 710127, China;
2. College of Information Engineering, Northwest A & F University, Yangling 712100, China;
3. Xi'an Key Laboratory of Radiomics and Intelligent Perception, Xi'an 710127, China

Abstract

The Chinese nation culture, which is of abundant resources, various categories and art styles, origins from the Chinese nation and is deeply rooted in ordinary people, has kept a long record of the historical memory and continued the cultural vein. Indeed, the Chinese nation culture is the foundation and the soul of the Chinese nation. The cultural heritage, which has the trait of widespread dissemination, long history, various styles, unique form of expression and being nonrenewable, is the precious information for exploring the development of the ancient human civilization. Nowadays, with the rapid development of information technology and the widespread impact of globalization, the formation of cultural inheritance has changed fundamentally, especially in the way of interpersonal inheritance style of the non-material cultural heritage. Therefore, there is an urgent need to construct bridges between the resource and the media, the content and the technology in order to sustain the digital inheritance of the Chinese cultural heritage. This paper is organised based on the advanced intelligent computing, digital media and virtual reality/augmented reality technology, and combines the dissemination process and artistic characteristics of the cultural heritage. From the perspective of the development status, frontier trends, hot issues and development trends, the key activation technologies are analyzed and summarized in terms of the collection of cultural heritage, the combination of virtual and real intelligent display and interaction, and the construction of intelligent platforms. Firstly, in the aspect of the collection of cultural heritage, in the view of the bottleneck problems that exist in the digitization of complex cultural relics, the key technologies of digital collection and reconstruction are introduced; the feature extraction algorithms of cultural heritage elements, themes, styles, etc., as well as the key technologies in the process of digital simulation to analyze the compositional features, distribution features, color features, and modeling features of cultural heritage are summarized; the key technologies of cultural heritage understanding and construction that are based on semantic feature analysis, understanding and recognition are introduced; the advantages and disadvantages of traditional image processing and deep learning methods in the process of digital simulation of national culture are analysed and discussed, and the characteristics and efficiency of the current algorithms are compared. Besides, the existing problems and difficulties are expounded, and an insight into the future of digital simulation of national culture is provided. Next, in the aspect of the combination of virtual and real intelligent display and interaction, for the characteristics of physical display and virtual display of cultural heritage, the key technologies of digital restoration of cultural heritage are reviewed. The important role of cutting-edge information technology including multi-modal image processing, few-shot learning and stylized image generation methods is introduced. Meanwhile, the cutting-edge research based on multi-source heterogeneous big data analysis, knowledge graph and deep learning in the digital restoration of cultural heritage are also reviewed. To satisfied the interactive 3D display needs of cultural heritage, the content-based natural human-computer interaction technology is introduced, which is combined with text, audio, video, semantics and story retrieval of cultural history. Virtual interactive presentation of new technologies is introduced in terms of real-time realistic technology, virtual-real fusion rendering, and augmented reality technology. Last but not least, in the aspect of intelligent platform construction, there still remains many problems at present, such as the decentralized system management of the cultural heritage intelligent platform, which leads to poor business collaboration, and due to the lack of unified data, it is still difficult to share data mutually. Also, the problems of the difficulty in system maintenance, the high management costs, and the inconvenience for users still need to be solved. In the view of the above mentioned problems, the key technology research of the cultural heritage big data model and the private cloud architecture and the related intelligent platform construction projects are introduced. The above key activation technologies of cultural heritage are actively integrated into the major national development strategies, and these technologies are conducive to excavating and improving the protection and inheritance technology of national cultural heritage, promoting their rational use, and expanding their dissemination influence, which is of great significance to carry forward Chinese civilization, promote cultural prosperity, build demonstration areas for ethnic minorities and enhance cultural confidence.

Key words

cultural heritage; digitizing; virtual restoration; virtual interaction; intelligent platform

0 引言

文化遗产的概念于1972年由联合国教科文组织提出，利用当代测绘遥感和计算机虚拟现实技术对文化遗产进行数字化存储、保护、修复、研究与交流是文化遗产数字化的核心内容。对于中华民族而言，文化资源丰富、种类繁多且艺术形式多样，源于民族，植根民间，承载着历史记忆，延续着文化血脉，是中华民族的根与魂。文化遗产分布广、流传年代长且形式多样，具有多样性、独特性和不可再生性等特点，是研究古代人类文明发展的珍贵资料。而文物遗产活化则是对这些珍贵的数字化文化遗产的充分利用，创造出更多的社会与人文价值。

目前，信息科学的高速发展，大量的信息技术手段如物联网技术(Alletto等，2016；Cuomo等，2017)、可视化(Windhager等，2019)、3维扫描技术(吴玉涵和周明全，2009)和虚拟现实技术(黄永林和谈国新，2012)已开始应用于遗址文物数据的采集、处理和展陈，为文化遗产活化研究提供了新的技术和方法(潘志庚等，2020)。在国际上，“计算机应用及定量方法在考古学中的应用” (computer applications and quantitative methods in archaeology, CAA)会议迄今已经举办了47届，其他计算机图形图像会议，如“国际计算机视觉大会” (IEEE International Conference on Computer Vision, ICCV)、“计算机协会计算机图形图像特别兴趣小组” (Special Interest Group for Computer GRAPHICS, SIGGRAPH)等国际会议上都有过文化遗产活化研究的相关专题；在国内，中共中央办公厅、国务院印发了《关于进一步加强非物质文化遗产保护工作的意见》，明确了非物质文化遗产保护的要求和目标。科技部在十三五、十四五期间，围绕“加强文物保护利用和文化遗产保护传承”的重大需求，对文化遗产保护利用专题任务进行部署。目前，国内外专家学者在文化遗产数字化基础理论方面展开研究，取得一些研究成果，并逐步走向实际应用新阶段。

文化遗产活化的关键技术，概括为3个方向：1)文化遗产的收集与理解，主要包括文化遗产数据的数字化过程，便于文化遗产的数字化保存；2)文化遗产虚实结合的智能展示，主要包括文化遗产数据的模拟仿真与智能交互，便于文化遗产的展示；3)文化遗产智慧平台建设，主要包括大数据存储、整理与系统管理，便于对各个文化遗产的存储机构进行统一管控与数据共享。

在文化遗产数字化采集方面，目前存在数据完整性差、精度效率低和自动化缺失等问题，在文化遗产理解方面，缺乏文化遗产元素、主题和风格等特征的分析与理解。随着信息技术的高速发展，以上技术难点已经有了一定研究进展，本文将介绍大规模、大数据、多源数据和多视角的数字化采集方法；配准、去噪和平滑等点云数据处理方法；文化遗产数据的各种数字化修复方法；文化遗产元素的特征提取分析方法。

针对文化遗产的实体化和虚拟化展示特点，结合前沿信息技术，以多模态图像处理、小样本学习以及风格化图像生成方法为技术手段，综述文化遗产数字化虚拟物体真实感渲染技术；面向文化遗产交互需求，结合文本、音频、视频、语义和故事检索，介绍基于内容的自然人机交互技术；通过实时逼真、虚实融合渲染和眼动手势多通道信息融合的文物3维交互装置，介绍基于增强现实技术的数字展品虚拟交互展示新技术。

在智慧化平台建设方面，针对目前文化遗产智慧化平台系统管理分散导致业务协同不畅、数据缺乏统一规范导致数据难以共享、系统维护难度大、管理成本高以及用户使用不便等诸多问题，介绍文化遗产大数据模型与私有云架构关键技术研究，主要包括：支撑文化遗产传播核心业务及智慧应用的云计算技术、基于弹性计算的云平台资源动态调配技术、基于数据中台的大数据模型构建技术、基于微服务架构的多信息系统的统一管控技术、以及可视化运维及基于区块链的安全传输与可信共享等关键技术。

本文就上述3个研究方向的国际发展现状、国内研究热点、国内外研究进展比较以及发展趋势等4个方面进行阐述，根据文化遗产的传播过程和艺术特点，基于先进的智能计算、数字媒体和虚拟现实/增强现实技术，综述文化遗产收集理解、虚实结合智能展示交互和智慧化平台建设等活化关键技术，如图 1所示。该技术有利于挖掘和提升民族文化遗产保护传承技术发展，主动融入国家发展重大战略，促进合理利用，扩大传播影响，对弘扬中华文明、促进文化繁荣、建设少数民族示范区以及构筑文化自信具有重要意义。



图 1 文化遗产活化的关键技术进展
Fig. 1 Research progress on key technologies of cultural heritage activation

1 国际研究现状

1.1 文化遗产数字化采集

目前，文物数据采集主要依赖于3维激光扫描技术，该技术首先通过3维激光扫描文物获取文物的空间点云数据，然后对这些点云数据处理与3维建模。米开朗基罗数字化项目是国外最早的知名项目，该项目1998年在美国进行，通过扫描大卫雕像模型的3维点云数据再结合高分辨率照片进行3维建模；2004年，德国汉堡哈芬西大学使用3维激光扫描实现了考古遗址的3维重建(Kersten等，2004)；2015年莫斯科专家用3维扫描仪扫描Shukhov Tower塔身，建立Shukhov Tower塔的3维几何模型，来分析其内部结构(Leonov等，2015)等等。

1.1.1 点云去噪

在文物数据采集中涉及到许多关键的技术，如点云去噪、碎片拼接和碎片分类等。在点云去噪的方法上，国际上目前比较传统的方法是基于模型的局部或者全局的优化方法进行处理的。在早期研究中，Guennebaud和Gross(2007)、Öztireli等人(2009)提出基于移动最小二乘法(moving least square method, MLS) 球面拟合的去噪算法，通过将3维点云映射到一个拟合曲面上来完成去噪，这种方法可以很好地去除离群点，但是对近距离噪声不鲁棒。Lipman等人(2007)提出基于局部最优投影的方法，与Guennebaud和Gross(2007)方法不同的是，使用点集的局部最优投影算子来逼近曲面完成去噪，但是这种方法存在过度平滑的问题。Mattei和Castrodad(2017)提出一种移动稳健主成分分析(moving robust principal component analysis, MRPCA) 的方法，该方法使用点云的偏差对L1范数进行加权，从而保持3维模型的尖锐特征。Sarkar等人(2018)提出局域非局部的方法，通过低秩分解得到矩阵的多个低秩词典，然后利用局部块的自相似性平滑点云。Schoenenberger等人(2015)基于图结构的方法，使用K近邻图来描述3维点云，然后求解凸优化问题实现3维点云的去噪。同时，Dinesh等人(2018)提出加权图拉普拉斯矩阵正则化(reweighted graph Laplace regularization, RGLR)先验，估计表面法线。而后该团队改进方法，使用Lp范数约束目标函数以去除高斯噪声和拉普拉斯噪声(Dinesh等，2020)。Duan等人(2018)通过估计每个3维点云的局部切平面，然后加权平均多个切平面上的投影来重建每个3维点。

1.1.2 碎片拼接与文物修复

文物遗迹发掘出土时大多已破碎残损，采用传统手工方法复原不仅操作难度大，而且是不可逆的。根据已发掘文物的不完整性(表面侵蚀、碎片数量大)和复杂性(非规则几何外形)，研究碎片拼接与文物修复方法，为破损文物的复原提供鲁棒的匹配算法及快速精确的拼接技术，可以解决人工复原中工作量大、周期长及文物二次损伤等问题。

目前，国际上文物碎片拼接主要的方法是考虑文物的结构先验信息，通过轮廓线等信息对碎片进行拼接处理。例如，Papaodysseus等人(2012)通过碎片匹配的方法实现了希腊都林壁画的自动重建。而针对轴对称文物的碎块拼接方法，大多围绕轴对称性质展开，拼接对象为形状对称的陶瓷器具。Son等人(2013)根据物体的几何结构和文物的破碎方式，提出了轴对称陶罐碎块的拼接方法。Kashihara(2012)重建了一个由5块碎块组成的文物花瓶。Cohen等人(2013)首先提取3维碎块的轮廓信息，与专家先验知识建立的通用模型进行比对，然后通过对碎块的轮廓线进行匹配来实现文物瓷碗、瓷瓶碎块的拼接。

1.1.3 文物特征分析与分类

文物分类主要包括文物的碎片分类与文物的整体分类。相对于文物的整体分类，碎片分类能更好地减少文物工作者的工作量，辅助文物修复。因此，国际上更多的工作在文物碎片分类方法上。目前，文物碎片分类的方法主要通过碎片的特征分析、特征提取、聚类和分类等分析算法实现。例如，Karasik和Smilansky(2011)用半径、切线和曲率3个变量来表示整个陶器碎块的形状轮廓，利用聚类分析和判别分析方法对轮廓之间的相似性进行区分。Smith等人(2010)应用颜色直方图几何全变分(total variation geometry, TVG)生成一个描述文物图像纹理特征描述符，使用投票方式在图像数据库中寻找最近邻，实现对薄壁陶瓷碎块的分类。Makridis和Daras(2012)首先提取文物碎块图像前后视图的颜色信息和局部纹理特征，然后利用基于多阈值词袋模型构造一个全局向量，最后采用特征选择算法和K近邻分类器实现分类。Rasheed和Nordin(2015)从文物碎块图像RGB颜色的交集处提取纹理特征，通过比较纹理和颜色特征之间的距离实现碎块的分类。对于文物整体分类，Philipp-Foliguet等人(2011)提出一个专用于在古代艺术品3D数据库中全局和部分模型3D模型分类和检索的框架。Desai等人(2013)使用基于内容的图像检索(content-based image retrieval, CBIR) 技术支持考古学家对考古发现进行评估和分类。他们使用CBIR技术对考古遗迹进行自动分类，使用视觉特征形状和纹理来研究艺术形式并从参考收藏中检索相似图像。Hristov和Agre(2013)提出了一种将完整和破碎的陶瓷器皿描绘为2维考古图的方法, 包括从横截面提取轮廓，将轮廓分成内部和外部轮廓，并将它们转换为切线表示，使用所提出的方法有效解决了古希腊双耳瓶的识别任务。Charalambous等人(2016)提出了一种实验设计，用于对来自塞浦路斯早中期青铜时代的家庭和墓葬环境的177个陶瓷样品进行成分分类。在此设计中，陶瓷样品分类是通过3种众所周知的方法实现的，一种称为K-最近邻(K-nearest neighbor, K-NN) 的标准统计学习方法；一种使用决策树的方法；一种更复杂的基于神经网络的方法，称为学习矢量量化(learning vector quantization, LVQ)。Guyot等人(2021)使用深度学习卷积神经网络方法自动检测、描绘和描述异常地形。

1.2 文化遗产虚实结合智能展示交互

文化遗产的虚实结合智能展示交互包括文化遗产仿真与虚拟现实，仿真方向主要介绍浮雕生成技术，虚拟现实方向主要介绍国外著名项目。

在浮雕生成技术中，主要应用场空间的信息压缩结合结构先验分析的方法对浮雕进行仿真生成。例如，Cignoni等人(1997)利用视场空间生成一个透视高度场，然后根据压缩率与高度成反比的压缩性质来实现高浮雕生成。Arpa等人(2015)考虑模型深度的连续性问题，为了能够获得有效的3维模型背景投影，提出了一个半自动的高浮雕合成技术。Belhumeur等人(1999)通过研究曲面重建的二义性，并在该项研究中使用结构的变换进行了浮雕生成。Kerber等人(2007)针对3维模型的高度场信息压缩的细节保留开发了相应算法。Weyrich等人(2007)提出了一种基于骨架融合过滤器保持细节信息的半自动方法，这种方法可以在细节信息保留程度和准确性方面都取得很好的效果。Kerber等人(2009)为了较好地保持3维模型的表面细节，结合使用在多尺度空间下双线性滤波技术和非线性压缩的方法。Kolomenkin等人(2011)通过线条和基础网格实现了3维凹浮雕的生成。在浮雕生成系统方面，Sohn(2016)成功完成了生成浅浮雕系统的移动端。

在虚拟现实方面，一般需要多种技术相互结合，耗时久，项目较为庞大。最早是美国维吉尼亚大学集美国、英国、意大利和德国专家于1997年开始对意大利古罗马城市进行虚拟构建，耗时10年完成了虚拟罗马古城。虚拟罗马是世界上最大的虚拟古建筑, 重现了大约30个建筑的内部结构。如图 2所示。



图 2 虚拟古罗马
Fig. 2 Virtual Ancient Rome

美国加利福尼亚大学洛杉矶分校文化遗产虚拟实验室牵头制作的虚拟西班牙圣地亚哥大教堂是欧洲最大的基督教堂之一。虚拟西班牙圣地亚哥大教堂复原了教堂的外部和内部结构。采用虚拟实时3维视景数据库建模使参观者能够很好地观看实时优化的场景。

犬山城古建筑文化遗产作为日本的国宝，虚拟犬山城古建筑由日本的Cad Center公司设计并制作，主要复原了城下町、城郭和天守三大部分。如图 3所示。



图 3 虚拟犬山城
Fig. 3 Virtual Inuyama

2015年艺术历史学家Andrew Tallon完成巴黎圣母院的数字化重建，Andrew Tallon团队花费了数年时间对巴黎圣母院内的每一个细节都进行了多次扫描，最终采集了超过10亿个点云数据。

1.3 智慧平台建设

在智慧平台建设方面，主要是由各个国家的图书馆与博物馆主导完成，包括美国大都会博物馆、美国弗利尔美术馆、Google Art & Culture、法国卢浮宫博物馆等。

美国弗利尔美术馆对馆藏的4万多件艺术品进行照片数字化采集，并将其发布在网页上，观众可以通过官方网站访问藏品的高清图片，并进行下载，如图 4所示。



图 4 艺术品样图
Fig. 4 Sample of art craft

美国大都会艺术博物馆是美国收藏中国艺术品最丰富的博物馆之一。在The Met数字展览中拥有文物的高分辨率图像，这些图像能放大数倍查看细节，可以不受限制地下载。其中不仅提供了地图探索，而且根据时间、地点和功能提供了筛选功能。在探索文物的过程中，博物馆提供了较为详细的文物介绍，如图 5所示。



图 5 大都会博物馆地图
Fig. 5 Map of Metropolitan Museum

Google art & culture项目收录了全球70多个国家共计1000多家博物馆的“艺术品”。相对于各个博物馆的线上展览，Google所采集的“艺术品”资源颇丰、精度高，最为重要的便是该项目汇集了众多博物馆的藏品，打破时空限制，减少了寻找各个博物馆的时间，将资源进行了系统性的整合。

法国卢浮宫博物馆数据库拥有超过480 000件艺术品，在博物馆的8个部门展示，而且卢浮宫收藏数据库中还包括从法国国家图书馆、装饰艺术博物馆、小皇宫、国家当代艺术基金会、大英博物馆等其他法国或外国机构长期借出的作品的数字化信息和伊拉克利翁考古博物馆的藏品数字化信息，数据库丰富，囊括了多个国家、多个博物馆的藏品信息，如图 6所示。



图 6 卢浮宫博物馆艺术品样图
Fig. 6 Sample art craft of the Louvre Museum

2 国内研究进展

由于中国历史悠久，具有庞大而复杂的地理环境，文物、建筑遗址的多样性与复杂性，更增加了文化遗产数字化采集、虚实结合和智慧平台建设等技术实施的难度。

2.1 文化遗产数字化采集

与国际上常用的3维激光扫描技术相比，国内研究主要根据大规模、大数据、多源数据和多视角的特点对技术进行改进。针对大场景序列图像自动采集，李康等人(2017)使用无人机对大场景序列图像进行了采集，并通过3维重建算法实现大范围3维建模。针对多视图几何3维重建问题, 周泩朴等人(2018)根据加速KAZE特征匹配算法，提出多视图几何3维重建方法，同时改善重建的速度与质量，如图 7所示。针对多源数据融合问题，杨稳等人(2019)通过混合特征对不同尺度、模态、分辨率3维点云进行3维刚体配准融合，从而构建大范围、高精度和大规模的点云模型。针对大规模3维文物点云数据的压缩与恢复，寇姣姣等人(2021)提出了基于贪婪算法的快速压缩与恢复框架。



图 7 多视图几何3D重建结果(周泩朴等，2018)
Fig. 7 Multi-view geometric 3D reconstruction results(Zhou et al., 2018)
((a) reconstruction results of original algorithm; (b)reconstruction results of proposed algorithm)

2.1.1 点云去噪

与国际上的传统方法类似，国内研究也是基于优化的方法实现的，但是与国际上方法的不同在于，国内研究更关注于边界的去噪处理，能够更好地与后续的研究进行衔接。牛晓静等人(2016)结合适应密度聚类与双边滤波的3维点云去噪平滑方法在有效保持原始模型的特征信息的同时，对采集的原始3维点云数据进行去噪和表面平滑处理。进一步，廖昌粟等人(2017)提出一种3维点云模型的去噪光滑算法处理光滑操作给模型边界特征带来的污染问题。

2.1.2 碎片拼接与文物修复

与国际研究类似，国内碎片拼接与文物修复的方法主要依赖于先验结构信息与轮廓线匹配。但是考虑到国内文物品种多样性，设计交互式文物模型修复方式，使用特征提取的方法对物体形状进行表示、研究匹配算法以及匹配物体间光滑拼接等问题，开发生成式文物破损修复算法，发展一套适合国内文物修复需求的算法至关重要。

耿国华等人(2021a)在文物修复、孔洞修复和颅面复原与识别方面都有涉猎，如图 8所示。在文物修复方面，基于邻接约束开发了一种计算机辅助匹配的文物修复方法，通过专家领域知识的先验新信息规范规则，引导受损文物的重组；在孔洞修复方面，基于变分水平集设计孔洞修补算法，对含有网格较多的3维模型能够有效修复复杂孔洞区域的显著几何特征。在颅面复原与识别方面，基于对抗生成网络理论提出P-GAN以重现逼真面貌(王跃进等，2021)，基于最小二乘正则提出最小二乘正则相关性分析算法以提升颅骨身份识别的精度(周明全等，2021)。



图 8 碎片拼接与孔洞修复(耿国华等，2021a)
Fig. 8 Fragment splicing and hole restoration(Geng et al., 2021a)
((a) influence of adjacency constraints selection on the results of assembly; (b) visualization of model penetration caused by adjacency constraints in interactive environment; (c) panorama of the third excavation of no.1 pit in terracotta army; (d) reconstruction results of G9 excavation at no.1 pit in terracotta army; (e) results of hole restoration in large-scale mesh model)

由于文物破损方式、文物种类不同，需要不同的文物拼接方法修复文物模型。在兵马俑碎片拼接方面，耿国华等人(2021c)基于断裂面几何特征提出了破损文物碎片自动拼接算法，快速精确地实现了断裂部位受损情况下的文物碎片拼接；结合文物碎片表面纹理特征和断裂面边界轮廓线，考虑陶制文物本身质地、环境因素以及人为因素的影响，提出了一种面向易受损缺失的文物碎片的拼接方法，解决了基于断裂部位几何信息的传统拼接方法的局限性(耿国华等，2021a)。紧接着，由基于轮廓线提出了一系列自动拼接算法如基于断裂部位轮廓线双向距离场的文物碎片自动拼接算法(耿国华等，2021a)、基于调整轮廓线权重的文物碎块自动拼接方法(耿国华等，2021b)等。但是，目前存在大量断裂面边缘受损的文物，这些文物无法使用轮廓线表示断裂面的几何特征，因此相继提出基于断裂面拓扑特征的破碎文物自动拼接算法、基于形状骨架图匹配的文物碎片自动重组方法(耿国华等，2021a)。与传统的断裂面拼合方法相比，这些算法可以快速有效地实现破损文物碎片的拼接与修复，在拼合时间以及拼合误差上都有相应的改进。如图 9所示。



图 9 兵马俑碎片拼接(耿国华等, 2021a, b, c)
Fig. 9 Fragments splicing of terracotta (Geng et al., 2021a, b, c)
((a) visualization of No. G10-22 terracotta splicing results and defect parts; (b) splicing results of method that combined with surface texture features and boundary contour of fragment; (c) visualization of No. G0-18 terracotta splicing results with the interactive damaged cultural relics stitching algorithm that combined with the surface decoration information and the feature points; (d) the partial fragments splicing results of No. G10-36 terracotta with algorithm based on the two-way distance field of the contour line on the fracture position; (e) the partial fragments splicing results of No. G10-26 terracotta with the automatic recombination method based on shape matching of skeleton map)

另一方面，由于中国幅员辽阔，民族多样，诞生了多种多样、风格各异的壁画，因此壁画修复对于中国有着别样的意义。为了对珍贵的古代壁画艺术进行数字化修复，钱文华团队受图像去噪与生成领域的影响，结合人工修复技术与数字化虚拟修复方法，使用深度学习中生成网络来自动地生成壁画的缺损部位，在各种壁画与破损情况下都具有很好的修复效果，即使大面积破损的壁画，也可以恢复成人眼无法辨识的图像(温利龙等，2019)，如图 10所示。



图 10 针对不同风格、不同破损类型的古壁画的修复结果(温利龙等，2019)
Fig. 10 Restoration results of ancient wall paintings with different styles and different damage types(Wen et al., 2019)

2.1.3 文物特征分析与分类

在文物特征分析与分类方面，国内外研究进展差异不大。例如王美丽团队以散乱无序的点云为研究对象, 使用OpenCL对点云分割算法加以改进，OpenCL的并行处理能力将原始算法的运行效率提升了16倍(范昱伶等，2018)。耿国华团队在点云特征提取算法中，针对从3维散乱点中精确提取特征信息的问题，提出基于马尔可夫随机场(Markov random field, MRF) 的散乱点云特征提取方法(张靖等, 2016, 2017)、基于离散Morse理论的自适应特征提取算法(胡佳贝等，2019)以及基于模糊集的特征提取方法(王淑睿等，2021)，如图 11所示。基于马尔可夫随机场的方法根据随机场的全局能量变化来自适应地提取特征，因此没有人工调参的过程，增加了算法的客观性，具有简单、高效的特点。基于离散Morse理论的方法和基于模糊集的特征提取方法都能够在不依赖尖锐特征的同时有效提取较尖锐特征、保留较平滑特征，具有简单、鲁棒性强的特点。



图 11 兵马俑碎片特征提取结果(张靖等, 2016, 2017；胡佳贝等，2019)
Fig. 11 Feature extraction results of terracotta fragment (Zhang et al., 2016, 2017; Hu et al., 2019)
((a) feature extraction of No. 1—3 terracotta fragment based on Markov random field global feature extraction method; (b) feature extraction results on different values of α and β with the method of combining salient feature points and Markov random field; (c) feature extraction results of the adaptive feature extraction method based on discrete Morse theory)

在秦俑保护领域，为了降低秦俑碎片匹配及拼接的工作难度，更多的计算机辅助技术应用在破碎秦俑复原工作中核心环节的碎片分类与识别。赵夫群等人(2021)研究局部特征的高效利用，基于特征融合提出了兵马俑碎片模型的检索算法(如图 12所示)。传统的秦俑碎片分类方法具有对碎片特征提取不充分以及秦俑碎片数据采集难度较高等问题，会导致碎片分类的准确率低下，鱼跃华等人(2021)提出了一种基于数据增强的秦俑碎片深度分类模型，有效降低后续复原工作中的匹配、拼接等工作的复杂度，进而提高秦俑文物复原工作的整体效率。



图 12 碎片识别过程(赵夫群等，2021)
Fig. 12 Process of fragment recognition(Zhao et al., 2021)

在文物分类中艺术风格绘画分类是国内外研究较多的方向，其方法研究紧扣信息学科前沿，国内早期的研究是以西方的漫画、油画、素描、水彩画, 国内的水墨画、烙画和壁画等7种具有代表性的艺术绘画风格作为研究对象，基于信息熵设计的绘画的艺术风格分类算法，相比于此前的算法具有特征稀疏、计算高效和尺度不变性等优势(钱文华等，2019)。这几年，也有基于深度学习的分类方法研究。钱文华团队基于图神经网络，根据线条突出、色彩分明的纳西族东巴画特点, 提出东巴画小样本分类方法(黎克等，2021)，如图 13所示。



图 13 文物分类(鱼跃华等，2021；黎克等，2021)
Fig. 13 Classification of cultural relics(Yu et al., 2021; Li et al., 2021)
((a) classification results of terracotta fragment; (b) classification model of Dongba painting of Naxi)

2.2 文化遗产虚实结合智能展示交互

文化遗产的虚实结合展示交互方面，在仿真方向，国内研究内容丰富，但是在虚实结合方向上，与国际成规模虚拟现实古城古建筑相比，还需要进一步发展。

在仿真方向，国内研究包括刺绣仿真、染色仿真和浮雕生成等方面。钱文华团队从2维照片中对刺绣艺术风格进行模拟，并针对这些任务进行了评估，提出了改进的线整体周转技术，通过凸起过程技术呈现和获得的凸起笔画, 利用基于制图方法的融合策略来产生刺绣艺术风格(Qian等，2019)。李宗彦等人(2020)基于多尺度双通道的卷积神经网络设计刺绣模拟算法，通过学习刺绣的针线艺术风格特征，还原真实刺绣艺术作品，解决现有算法中针线轨迹与针线感等问题。郑锐等人(2019)结合语义分割和风格迁移的方法，提出了磁性艺术风格图像的生成算法，实现了色彩艳丽、立体感强的非真实感绘制刺绣风格图像，为刺绣文化的数字化保护与传承奠定了基础，刺绣仿真结果如图 14所示。



图 14 刺绣仿真结果(Qian等，2019；李宗彦等，2020；郑锐等，2019)
Fig. 14 Results of embroidery simulation (Qian et al., 2019; Li et al., 2020; Zheng et al., 2019)
((a) comparison results of embroidery stitch stroke mapping; (b) the results of embroidery simulation algorithm based on multi-scale two channel convolutional neural network; (c) the results of embroidery simulation algorithm based on semantic segmentation and style transfer algorithm)

除了刺绣仿真之外，国内针对染色的仿真模拟也有独到的研究。钱文华团队为了快速实现逼真视觉效果的染色仿真，建立由封蜡层、经线层和纬线层构建的3层布料模型(喻扬涛等，2018)。在此基础上，不考虑布料结构, 尝试多色染色成功模拟手工蜡染作品的基本特征(喻扬涛等，2019)。进一步针对细节特征丢失和区域特征变化进行研究，提出了基于款式变化和局部渲染结合的虚拟仿真算法(徐俊等，2021)。

对于浮雕生成的研究，国内外的研究进展相仿。王美丽团队基于高度图，提出了一种浅浮雕模型的生成方法，丰富了多样性的数字浮雕设计，完成了浮雕的风格化应用，实现了不同视觉效果的浅浮雕模型的生成技术(尚菁等，2020)；针对3维复杂网格模型，提出了一种生成数字凹浮雕的研究方案，解决了特征线不完善、细节信息丢失和生成效果不自然等问题(王美丽等，2018)。浮雕生成结果如图 15所示。



图 15 浮雕生成结果(尚菁等，2020；王美丽等，2018)
Fig. 15 Results of relief generation (Shang et al., 2020; Wang et al., 2018)
((a) results of bas-relief generation; (b) results of sunken relief generation)

在虚拟系统方面，首先介绍两个图画绘制系统。1)钱文华团队针对云南重彩画非真实感绘制设计的白描图绘制系统。该系统具有图形元素采集、管理及绘制等功能，可以绘制出各种姿态的云南重彩画白描图图案(普园媛等，2011)。2)钱文华团队针对东巴画白描图绘制设计的东巴画绘制系统。该系统通过建立数据库，交互式生成数字化东巴画仿真结果(钱文华等，2020)，如图 16所示。



图 16 东巴画绘制仿真结果(钱文华等，2020)
Fig. 16 Simulation results of Dongba drawing(Qian et al., 2020)

在虚实结合方面，国内许多机构联合完成了一些大型的虚实结合系统。浙江大学和敦煌研究院于1998年合作开展“敦煌壁画多媒体复原”项目(华忠等，2002)，最终联合完成了285窟的虚拟展示系统；2002年，浙江大学利用VR (virtual reality)技术实现河坊街数字化重建、大昌古镇数字化，并于2005年建立奥运博物馆网上漫游系统(Zhang等，2014；Pan等，2009)；2006年，故宫博物院联手北京建筑工程大学合作完成了“数字画化圆明园方壶胜境”的复原研究；2016年，北京理工大学开发了基于VR的文物漫游系统(Wei等，2016)；2019年，敦煌研究院与华为公司合作，使用河图技术展示敦煌艺术。

2.3 文化遗产智慧化平台建设

国内文化遗产智慧化平台与国际上的平台类似，都是由各个地方的博物馆领衔研发，以推动信息网络技术与文化遗产传播业务深度融合为导向，以构建感知、数据、决策、执行、评估和反馈闭环为抓手，以实现管理、保护和服务智慧化为目标。例如山西博物院，使用大数据、云平台等技术，将海量的与考古、文物相关的数据资料相关联，构建文博知识库，使用大量多源异构数据建设在线博物馆服务博物馆智慧化业务。还有以天津大学牵头的国家重点研发计划专项，围绕国家文化自信和文化安全的重大需求，开展文物知识相关的理论模型和关键技术的研究；西北大学开展的“民族民间文化资源数字化技术与虚实结合的文物展示应用示范”项目，利用多源异构资源的知识，建立民族民间文化知识图谱，研究针对文化知识的智能检索、问答、推荐理论与方法，实现博物馆智慧化；西北大学开展的“智慧博物馆关键技术研发与兵马俑智慧博物馆示范”项目，研究数据管理、知识检索等关键技术研究，以解决广泛分布的文物资源、加速数字化文物进展、智能化文物管理的问题，实现兵马俑智慧博物馆；中国国家博物馆牵头，西北大学承担的“智慧博物馆大数据模型与私有云架构关键技术研究”国家重点研发计划项目，针对当前文化遗产智慧化平台系统管理分散导致业务协同不畅、数据缺乏统一规范导致数据难以共享，系统维护难度大、管理成本高、用户使用不便等诸多问题，开展云计算、大数据模型构建、多信息系统的统一管控、可视化运维及数据安全传输与可信共享等关键技术，实现中国国家博物馆智慧化平台。

3 国内外研究进展比较

在文化遗产数字化采集方面，包含文物数据采集、数据去噪、碎片拼接修复以及文物特征分析与分类。在数据采集上，国内外均采用3维激光扫描技术实现数据采集，但是针对不同场景，不同应用方向会有方法上的细微差异，针对大场景的遗址建模会结合无人机进行数据采集。目前，国内数据采集偏向于多源、多视图数据采集研究。在数据去噪上，国内外研究早期都是传统的去噪算法如最小二乘法等，如今，国内研究更偏重于数据驱动的去噪算法，而国际研究在图特征学习方法与数据驱动方法均有侧重。在碎片拼接修复方面，由于国外文物种类较少，主要研究侧重在壁画修复与瓷器、陶器修复，而国内文物种类繁多，材质复杂，所研究的方法更为细致。国际上对于文物碎片修复拼接主要集中在自动重建与轮廓线匹配等方法上，而国内研究分为3个大类，分别包括碎块表面纹理等特征拼接、碎块断裂面几何特征拼接和断裂部位轮廓线拼接的方法。在文物分类方面，可归纳为两大类：第1类是碎片分类，国外学者主要针对文物的形状轮廓、颜色和纹理等信息进行分类研究，国内学者不仅在该类方法上有一定进展，还通过基于2维的碎片图像、3维的碎片模型结合特征工程与深度学习的方法进行研究；第2类是文物整体分类，在这方面国际上主要是对陶器分类进行研究，及对文物进行检索研究，国内这方面研究较少，主要针对不同风格的绘画进行研究。总体而言，在文化遗产数字化数据采集这方面，国际研究的内容更加集中，方法侧重于稳定性、速度与精度；国内研究的内容更加分散，方法侧重于特异性、精度和前沿性。

在文化遗产虚实结合智能展示交互方面，仿真研究上，国内研究更具有前沿性，在浮雕生成模型研究上国内外研究进展一致；在虚拟现实方面，国外的研究团队起步更早，技术更加成熟。国外研究团队更注重学科交叉，团队涵盖有艺术家、艺术设计师、考古学家、建筑设计师和人文学者等。国内研究团队，成员构成单一，大多只涵盖了计算机和考古两个领域，缺乏人文和艺术气息。在应用方面，国际虚拟文化遗产已步入商业化应用，由企业推动技术发展，而国内虚拟文化遗产目前仍然处于研究阶段，缺乏商业化应用。

在文化遗产智慧化平台建设方面，国际上文化遗产智慧化平台建设较为完善，大多进入实用阶段，如美国弗利尔美术馆、美国大都会博物馆、Google Art & Culture、法国卢浮宫博物馆；国内文化遗产智慧化平台建设正处于推进阶段，目前处于技术向应用的转化时期。

4 结语

根据国内外文化遗产活化的研究进展，从以下3个方面阐述目前遇到的挑战与机遇。

1) 在文化遗产数字化采集方面仍然面临以下挑战：(1)由于国内幅员辽阔，文物遗产分布广泛，数据采集受到各种不同的地形条件的限制，研究经济快速通用或者特型数据采集方式，是推进文化遗产数字化的重要前提。(2)文化遗产数字化过程中，对数字化数据的处理，是文化遗产修复展示的重要步骤，但是由于采集条件限制，采集的数据具有破损严重、噪声复杂等特点，研究在保存数据原始特征的情况下更好地去噪是数据处理的关键问题。(3)文物修复过程中，碎片拼接是主要的修复手段，综合利用碎片整体与局部特征，与专家知识交互式处理，实现快速精准修复破损文物，是今后的主要研究目标。(4)文物分类主要面临两个问题：一个是碎片分类问题，主要是类别数量不均与特征不明增加了分类难度；另一个是文物分类问题，主要存在类别多、样本少、无法建立有效模型的问题。

2) 在文化遗产的交互智能展示方面仍然存在以下问题：(1)在现有虚拟仿真与模型生成的方法上，目前主要存在计算量大、效率低的问题；在仿真与生成过程中，难以对生成细节进行处理；必要时还需要人工交互，人为主观影响较大。(2)虚拟现实技术团队不完整，需要加入更多的艺术学家、人文学家以加强虚拟现实的人文底蕴。(3)虚拟现实技术需要更多的工程应用和商业应用，实现产业化推广。

3) 在文化遗产智慧化平台建设方面存在如下挑战：(1)国内各个级别博物馆众多，文物数据丰富，如何更好地实现大数据模型的数据共享。(2)我国幅员辽阔，种族多样，文物种类、形式多样，为多源异构数据的清理与融合增加了难度。(3)推进智慧博物馆的私有云平台搭建等问题。

总体而言，本文从文化遗产的采集与理解、文化遗产的交互智能展示、文化遗产智慧化平台建设3方面，对当前的文化遗产信息化技术手段与进展进行了综述。通过研究文化遗产搜集理解过程中的数据采集、点云配准、去噪、文物修复以及特征提取分析等技术；文化遗产交互展示中的仿真模拟、模型生成和交互展示等手段；文化遗产智慧化平台建设中的云计算、大数据模型、信息系统建设和数据共享等问题，为构建文化遗产数字化保护研究体系提供理论支撑，推动了文化遗产数字化平台建设，提高文化遗产保护效率和质量，为文化遗产的数字化应用奠定基础。

致谢 本文由中国图象图形学学会数字文化遗产专业委员会组织撰写，该专委会更多详情请见链接：http://www.csig.org.cn/detail/2987。

参考文献

  • Alletto S, Cucchiara R, Del Fiore G, Mainetti L, Mighali V, Patrono L, Serra G. 2016. An indoor location-aware system for an IoT-based smart museum. IEEE Internet of Things Journal, 3(2): 244-253 [DOI:10.1109/JIOT.2015.2506258]
  • Arpa S, Süsstrunk S, Hersch R D. 2015. High reliefs from 3D scenes. Computer Graphics Forum, 34(2): 253-263 [DOI:10.1111/cgf.12557]
  • Belhumeur P N, Kriegman D J, Yuille A L. 1999. The bas-relief ambiguity. International Journal of Computer Vision, 35(1): 33-44 [DOI:10.1023/A:1008154927611]
  • Charalambous E, Dikomitou-Eliadou M, Milis G M, Mitsis G, Eliades D G. 2016. An experimental design for the classification of archaeological ceramic data from Cyprus, and the tracing of inter-class relationships. Journal of Archaeological Science: Reports, 7: 465-471 [DOI:10.1016/j.jasrep.2015.08.010]
  • Cignoni P, Montani C, Scopigno R. 1997. Computer-assisted generation of bas-and high-reliefs. Journal of Graphics Tools, 2(3): 15-28 [DOI:10.1080/10867651.1997.10487476]
  • Cohen F, Liu Z X, Ezgi T. 2013. Virtual reconstruction of archeological vessels using expert priors and intrinsic differential geometry information. Computers and Graphics, 37(1/2): 41-53 [DOI:10.1016/j.cag.2012.11.001]
  • Cuomo S, De Michele P, Piccialli F, Galletti A, Jung J E. 2017. IoT-based collaborative reputation system for associating visitors and artworks in a cultural scenario. Expert Systems with Applications, 79: 101-111 [DOI:10.1016/j.eswa.2017.02.034]
  • Desai P, Pujari J, Ayachit N H and Prasad V K. 2013. Classification of archaeological monuments for different art forms with an application to CBIR//Proceedings of 2013 International Conference on Advances in Computing, Communications and Informatics (ICACCI). Mysore, India: IEEE [DOI: 10.1109/ICACCI.2013.6637332]
  • Dinesh C, Cheung G and Bajic I V. 2018.3D point cloud denoising via bipartite graph approximation and reweighted graph laplacian [EB/OL]. [2022-03-06]. https://arxiv.org/pdf/1812.07711/pdf
  • Dinesh C, Cheung G, Bajić V I. 2020. Point cloud denoising via feature graph laplacian regularization. IEEE Transactions on Image Processing, 29: 4143-4158 [DOI:10.1109/TIP.2020.2969052]
  • Duan C J, Chen S H and Kovacevic J. 2018. Weighted multi-projection: 3D point cloud denoising with tangent planes//Proceedings of 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP). Anaheim, USA: IEEE: #8646331 [DOI: 10.1109/GlobalSIP.2018.8646331]
  • Fan Y L, Wang M L, He D J. 2018. Method of point cloud segmentation basded on OpenCL. Computer Engineering and Applications, 54(1): 191-195, 203 (范昱伶, 王美丽, 何东健. 2018. 基于OpenCL的点云分割方法. 计算机工程与应用, 54(1): 191-195, 203) [DOI:10.3778/j.issn.1002-8331.1607-0229]
  • Geng G H, Feng L, Li K, Zhou M Q, Wang X F. 2021a. A literature review on the digitization and virtual restoration of cultural relics in the Mausoleum of Emperor Qinshihuang. Journal of Northwest University (Natural Science Edition), 51(5): 710-721 (耿国华, 冯龙, 李康, 周明全, 王小凤. 2021a. 秦陵文物数字化及虚拟复原研究综述. 西北大学学报(自然科学版), 51(5): 710-721) [DOI:10.16152/j.cnki.xdxbzr.2021-05-001]
  • Geng G H, Yao W M, Zhou M Q, Liu J, Xu X L, Cao X, Liu Y Y, Li K. 2021b. Automatic reassembly for cultural relics fragments via adjusting the weight of contour curve. Journal of Northwest University (Natural Science Edition), 51(3): 397-403 (耿国华, 姚文敏, 周明全, 刘杰, 徐雪丽, 曹欣, 刘阳洋, 李康. 2021b. 基于调整轮廓线权重的文物碎块自动拼接方法. 西北大学学报(自然科学版), 51(3): 397-403) [DOI:10.16152/j.cnki.xdxbzr.2021-03-008]
  • Geng G H, Zhang P F, Liu Y M, Zhou M Q, Yao W M, Li K. 2021c. Reassembly method of cultural relic fragments based on the neighborhood characteristics of fracture surface. Optics and Precision Engineering, 29(5): 1169-1179 (耿国华, 张鹏飞, 刘雨萌, 周明全, 姚文敏, 李康. 2021c. 基于断裂面邻域特征的文物碎片拼接. 光学精密工程, 29(5): 1169-1179) [DOI:10.37188/OPE.20212905.1169]
  • Guennebaud G, Gross M. 2007. Algebraic point set surfaces. ACM Transactions on Graphics, 26(3): 23 [DOI:10.1145/1276377.1276406]
  • Guyot A, Lennon M, Lorho T, Hubert-Moy L. 2021. Combined detection and segmentation of archeological structures from LiDAR data using a deep learning approach. Journal of Computer Applications in Archaeology, 4(1): 1 [DOI:10.5334/jcaa.64]
  • Hristov V, Agre G. 2013. A software system for classification of archaeological artefacts represented by 2D plans. Cybernetics and Information Technologies, 13(2): 82-96 [DOI:10.2478/cait-2013-0017]
  • Hu J B, Liu Z, Zhang P F, Geng G H, Zhang Y H. 2019. Feature extraction of scattered point clouds based on discrete morse theory. Acta Optica Sinica, 39(6): #0615002 (胡佳贝, 刘喆, 张鹏飞, 耿国华, 张雨禾. 2019. 基于离散Morse理论的散乱点云特征提取. 光学学报, 39(6): #0615002) [DOI:10.3788/AOS201939.0615002]
  • Hua Z, Lu D M, Pan Y H. 2002. Research on virtual color restoration and gradual changing simulation of dunhuang frasco. Journal of Image and Graphics, 7(2): 181-186 (华忠, 鲁东明, 潘云鹤. 2002. 敦煌壁画虚拟复原及演变模拟模型研究. 中国图象图形学报, 7(2): 181-186) [DOI:10.3969/j.issn.1006-8961.2002.02.017]
  • Huang Y L, Tan G X. 2012. Research on digital protection and development of China's intangible cultural heritage. Journal of Huazhong Normal University (Humanities and Social Sciences), 51(2): 49-55 (黄永林, 谈国新. 2012. 中国非物质文化遗产数字化保护与开发研究. 华中师范大学学报(人文社会科学版), 51(2): 49-55)
  • Karasik A, Smilansky U. 2011. Computerized morphological classification of ceramics. Journal of Archaeological Science, 38(10): 2644-2657 [DOI:10.1016/j.jas.2011.05.023]
  • Kashihara K. 2012. Three-dimensional reconstruction of artifacts based on a hybrid genetic algorithm//Proceedings of 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC). Seoul, Korea(South): IEEE: 900-905 [DOI: 10.1109/ICSMC.2012.6377842]
  • Kerber J, Belyaev A and Seidel H P. 2007. Feature preserving depth compression of range images//Proceedings of the 23rd Spring Conference on Computer Graphics. Budmerice, Slovakia: ACM: 101-105 [DOI: 10.1145/2614348.2614363]
  • Kerber J, Tevs A, Belyaev A, Zayer R and Seidel H P. 2009. Feature sensitive bas relief generation//Proceedings of 2009 IEEE International Conference on Shape Modeling and Applications. Beijing, China: IEEE: 148-154 [DOI: 10.1109/SMI.2009.5170176]
  • Kersten T P, Pardo C A and Lindstaedt M. 2004.3D acquisition, modelling and visualization of north German castles by digital architectural photogrammetry//Proceedings of the XXth ISPRS Congress, 34(5): 126-131
  • Kolomenkin M, Leifman G, Shimshoni I and Tal A. 2011. Reconstruction of relief objects from line drawings//Proceedings of the CVPR 2011. Colorado Springs, USA: IEEE: 993-1000 [DOI: 10.1109/CVPR.2011.5995643]
  • Kou J J, Chen X X, Yu Y H, Hai L Q, Zhou P B, Zhang H B, Geng G H. 2021. Compression restoration framework for dense point cloud model of cultural relics. Laser and Optoelectronics Progress, 58(22): #2215006 (寇姣姣, 陈小雪, 鱼跃华, 海琳琦, 周蓬勃, 张海波, 耿国华. 2021. 面向文物稠密点云模型的压缩复原框架. 激光与光电子学进展, 58(22): #2215006) [DOI:10.3788/LOP202158.2215006]
  • Leonov A V, Anikushkin M N, Ivanov A V, Ovcharov S V, Bobkov A E, Baturin Y M. 2015. Laser scanning and 3D modeling of the Shukhov hyperboloid tower in Moscow. Journal of Cultural Heritage, 16(4): 551-559 [DOI:10.1016/j.culher.2014.09.014]
  • Li K, Qian W H, Wang C X, Xu D. 2021. Dongba painting few-shot classification based on graph neural network. Journal of Computer-Aided Design and Computer Graphics, 33(7): 1073-1083 (黎克, 钱文华, 王成学, 徐丹. 2021. 基于图神经网络的东巴画小样本分类. 计算机辅助设计与图形学学报, 33(7): 1073-1083) [DOI:10.3724/SP.J.1089.2021.18618]
  • Li K, Zhou S P, Zou L B, Deng P, Geng G H. 2017. Sequence images automatic capturing and 3D modeling method for large scale scene based on unmanned aerial vehicle. Journal of Northwest University (Natural Science Edition), 47(1): 30-37 (李康, 周泩朴, 邹林波, 邓鹏, 耿国华. 2017. 基于无人机的大场景序列图像自动采集和3维建模. 西北大学学报(自然科学版), 47(1): 30-37) [DOI:10.16152/j.cnki.xdxbzr.2017-01-006]
  • Li Z Y, Qian W H, Xu D, Pu Y Y. 2020. Embroidery simulation based on multi-scale two-channel convolution neural network. Journal of Image and Graphics, 25(2): 343-353 (李宗彦, 钱文华, 徐丹, 普园媛. 2020. 多尺度双通道卷积神经网络下的刺绣模拟. 中国图象图形学报, 25(2): 343-353) [DOI:10.11834/jig.190299]
  • Liao C S, He D J, Wang M L. 2017. Research on a new denoising algorithm for 3D point cloud model. Computer Applications and Software, 34(4): 281-287 (廖昌粟, 何东建, 王美丽. 2017. 一种新的3维点云模型去噪光滑算法研究. 计算机应用与软件, 34(4): 281-287) [DOI:10.3969/j.issn.1000-386x.2017.04.048]
  • Lipman Y, Cohen-Or D, Levin D, Tal-Ezer H. 2007. Parameterization-free projection for geometry reconstruction. ACM Transactions on Graphics, 26(3): 22.1-22.5 [DOI:10.1145/1276377.1276405]
  • Makridis M, Daras P. 2012. Automatic classification of archaeological pottery sherds. Journal on Computing and Cultural Heritage, 5(4): 15 [DOI:10.1145/2399180.2399183]
  • Mattei E, Castrodad A. 2017. Point cloud denoising via moving RPCA. Computer Graphics Forum, 36(8): 123-137 [DOI:10.1111/cgf.13068]
  • Niu X J, Wang M L, He D J. 2016. A point cloud denoising and smoothing method based on fusion of clustering and filtering. Computer Applications and Software, 33(10): 148-152 (牛晓静, 王美丽, 何东健. 2016. 一种聚类与滤波融合的点云去噪平滑方法. 计算机应用与软件, 33(10): 148-152) [DOI:10.3969/j.issn.1000-386x.2016.10.033]
  • Öztireli A C, Guennebaud G, Gross M. 2009. Feature preserving point set surfaces based on non-linear kernel regression. Computer Graphics Forum, 28(2): 493-501 [DOI:10.1111/j.1467-8659.2009.01388.x]
  • Pan Z G, Chen W Z, Zhang M M, Liu J F, Wu G S. 2009. Virtual reality in the digital Olympic museum. IEEE Computer Graphics and Applications, 29(5): 91-95 [DOI:10.1109/MCG.2009.103]
  • Pan Z G, Yuan Q S, Chen S N, Zhang M M. 2020. State of the art on the digital presentation and interaction of culture heritage. Journal of Zhejiang University (Science Edition), 47(3): 261-273 (潘志庚, 袁庆曙, 陈胜男, 张明敏. 2020. 文化遗产数字化展示与互动技术研究与进展. 浙江大学学报(理学版), 47(3): 261-273) [DOI:10.3785/j.issn.1008-9497.2020.03.001]
  • Papaodysseus C, Arabadjis D, Exarhos M, Rousopoulos P, Zannos S, Panagopoulos M, Papazoglou-Manioudaki L. 2012. Efficient solution to the 3D problem of automatic wall paintings reassembly. Computers and Mathematics with Applications, 64(8): 2712-2734 [DOI:10.1016/j.camwa.2012.08.003]
  • Philipp-Foliguet S, Jordan M, Najman L, Cousty J. 2011. Artwork 3D model database indexing and classification. Pattern Recognition, 44(3): 588-597 [DOI:10.1016/j.patcog.2010.09.016]
  • Pu Y Y, Su Y, Wei X M, Wei H, Qian W H, Xu D. 2011. System of line drawing for Yunnan heavy color painting. Computer Engineering and Design, 32(2): 607-610, 614 (普园媛, 苏迤, 魏小敏, 尉洪, 钱文华, 徐丹. 2011. 云南重彩画白描图绘制系统. 计算机工程与设计, 32(2): 607-610, 614) [DOI:10.16208/j.issn1000-7024.2011.02.043]
  • Qian W H, Xu D, Cao J D, Guan Z, Pu Y Y. 2019. Aesthetic art simulation for embroidery style. Multimedia Tools and Applications, 78(1): 995-1016 [DOI:10.1007/s11042-018-6002-9]
  • Qian W H, Xu D, Xu J, He L, Han Z Y. 2019. Artistic paintings classification based on information entropy. Journal of Graphics, 40(6): 991-999 (钱文华, 徐丹, 徐瑾, 何磊, 韩镇阳. 2019. 基于信息熵的风格绘画分类研究. 图学学报, 40(6): 991-999) [DOI:10.11996/JG.j.2095-302X.2019060991]
  • Qian W H, Xu D, Xu J, He L, Zhang B. 2020. Simulation of dongba art style painting. Journal of System Simulation, 32(7): 1349-1359 (钱文华, 徐丹, 徐瑾, 何磊, 张波. 2020. 东巴画艺术风格绘制. 系统仿真学报, 32(7): 1349-1359) [DOI:10.16182/j.issn1004731x.joss.19-VR0530]
  • Rasheed N A, Nordin J. 2015. Archaeological fragments classification based on rgb color and texture features. Journal of Theoretical and Applied Information Technology, 76(3): 358-365
  • Sarkar K, Bernard F, Varanasi K, Theobalt C and Stricker D. 2018. Structured low-rank matrix factorization for point-cloud denoising//Proceedings of 2018 International Conference on 3D Vision (3DV). Verona, Italy: IEEE [DOI: 10.1109/3DV.2018.00058]
  • Schoenenberger Y, Paratte J and Vandergheynst P. 2015. Graph-based denoising for time-varying point clouds//Proceedings of 2015 3DTV-Conference: the True Vision-Capture, Transmission and Display of 3D Video (3DTV-CON). Lisbon, Portugal: IEEE [DOI: 10.1109/3DTV.2015.7169366]
  • Shang J, Yu W J, Wang M L. 2020. Bas-relief generation controlled by different height maps. Journal of Image and Graphics, 25(12): 2647-2655 (尚菁, 余文杰, 王美丽. 2020. 不同类型高度图控制浅浮雕模型生成方法. 中国图象图形学报, 25(12): 2647-2655) [DOI:10.11834/jig.190630]
  • Smith P, Bespalov D, Shokoufandeh A and Jeppson P. 2010. Classification of archaeological ceramic fragments using texture and color descriptors//Proceedings of 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops. San Francisco, USA: IEEE: 49-54 [DOI: 10.1109/CVPRW.2010.5543523]
  • Sohn B S. 2016. Ubiquitous creation of digital bas-reliefs using smartphone//Proceedings of 2016 Eighth International Conference on Ubiquitous and Future Networks (ICUFN). Vienna, Austria: IEEE [DOI: 10.1109/ICUFN.2016.7537138]
  • Son K, Almeida E B and Cooper D B. 2013. Axially symmetric 3D pots configuration system using axis of symmetry and break curve//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, USA: IEEE: #40 [DOI: 10.1109/CVPR.2013.40]
  • Wang M L, Yang L Y, Geng N, He D J. 2018. Survey and prospect of 3D model-based digital relief generation. Journal of Image and Graphics, 23(9): 1273-1284 (王美丽, 杨丽莹, 耿楠, 何东健. 2018. 基于3维模型的数字浮雕生成技术. 中国图象图形学报, 23(9): 1273-1284) [DOI:10.11834/jig.170642]
  • Wang S R, Guo B, Guo R Z, Geng G H, Zhou X Y, Zhang Y H. 2021. Fuzzy sets based feature extraction from point clouds of pottery cultural relics fragments. Journal of Northwest University (Natural Science Edition), 51(5): 750-758 (王淑睿, 郭宝, 郭锐哲, 耿国华, 周芯羽, 张雨禾. 2021. 基于模糊集的陶质文物碎片点云特征提取算法. 西北大学学报(自然科学版), 51(5): 750-758) [DOI:10.16152/j.cnki.xdxbzr.2021-05-005]
  • Wang Y J, Geng G H, Guo P Y, Tuo D C, Jing Y P, Zhu X Y, Liu X N. 2021. Realistic processing of restored face based on adversarial generative network. Journal of Northwest University (Natural Science Edition), 51(5): 742-749 (王跃进, 耿国华, 郭沛瑶, 拓东成, 景云鹏, 朱新懿, 刘晓宁. 2021. 基于对抗生成网络的复原面貌真实感处理. 西北大学学报(自然科学版), 51(5): 742-749) [DOI:10.16152/j.cnki.xdxbzr.2021-05-004]
  • Wei X D, Weng D D, Liu Y and Wang Y T. 2016. A tour guiding system of historical relics based on augmented reality//Proceedings of 2016 IEEE Virtual Reality (VR). Greenville, USA: IEEE: 307-308 [DOI: 10.1109/VR.2016.7504776]
  • Wen L L, Xu D, Zhang X, Qian W H. 2019. The inpainting of irregular damaged areas in ancient murals using generative model. Journal of Graphics, 40(5): 925-931 (温利龙, 徐丹, 张熹, 钱文华. 2019. 基于生成模型的古壁画非规则破损部分修复方法. 图学学报, 40(5): 925-931) [DOI:10.11996/JG.j.2095-302X.2019050925]
  • Weyrich T, Deng J, Barnes C, Rusinkiewicz S, Finkelstein A. 2007. Digital bas-relief from 3D scenes. ACM Transactions on Graphics, 26(3): #32 [DOI:10.1145/1276377.1276417]
  • Windhager F, Federico P, Schreder G, Glinka K, Dörk M, Miksch S, Mayr E. 2019. Visualization of cultural heritage collection data: State of the art and future challenges. IEEE Transactions on Visualization and Computer Graphics, 25(6): 2311-2330 [DOI:10.1109/TVCG.2018.2830759]
  • Wu Y H, Zhou M Q. 2009. Application of 3D scanning technique in heritage protection. Computer Technology and Development, 19(9): 173-176 (吴玉涵, 周明全. 2009. 3维扫描技术在文物保护中的应用. 计算机技术与发展, 19(9): 173-176) [DOI:10.3969/j.issn.1673-629X.2009.09.048]
  • Xu J, Pu Y Y, Xu D, Zhao Z P, Qian W H, Wu H, Yang Q X. 2021. Research on virtual try-on via style transformation and local rendering. Journal of Taiyuan University of Technology, 52(1): 98-104 (徐俊, 普园媛, 徐丹, 赵征鹏, 钱文华, 吴昊, 阳秋霞. 2021. 基于款式变换和局部渲染相结合的虚拟试衣研究. 太原理工大学学报, 52(1): 98-104) [DOI:10.16355/j.cnki.issn1007-9432tyut.2021.01.013]
  • Yang W, Zhou M Q, Geng G H, Liu X N, Li K, Zhang H B. 2019. Hierarchical optimization of skull point cloud registration. Optics and Precision Engineering, 27(12): 2730-2739 (杨稳, 周明全, 耿国华, 刘晓宁, 李康, 张海波. 2019. 层次优化的颅骨点云配准. 光学精密工程, 27(12): 2730-2739) [DOI:10.3788/OPE.20192712.2730]
  • Yu Y H, Zhang H B, Li X, Kou J J, Li K, Geng G H, Zhou M Q. 2021. Data enhanced depth classification model for terra-cotta warriors fragments. Laser and Optoelectronics Progress: 1-20 (鱼跃华, 张海波, 李昕, 寇姣姣, 李康, 耿国华, 周明全. 2021. 基于数据增强的秦俑碎片深度分类模型. 激光与光电子学进展: 1-20)
  • Yu Y T, Xu D, Qian W H. 2019. Simulation of batik cracks and cloth dying. Scientia Sinica (Informationis), 49(2): 159-171 (喻扬涛, 徐丹, 钱文华. 2019. 蜡染冰纹生成与染色模拟. 中国科学: 信息科学, 49(2): 159-171)
  • Yu Y T, Yu Z L, Qian W H, Zhang K S, Xu D. 2018. Batik dying simulation based on diffusion. Journal of System Simulation, 30(6): 2117-2124 (喻扬涛, 俞振璐, 钱文华, 张可师, 徐丹. 2018. 基于扩散的蜡染染色模拟. 系统仿真学报, 30(6): 2117-2124) [DOI:10.16182/j.issn1004731x.joss.201806015]
  • Zhang J, Zhou M Q, Zhang Y H, Geng G H. 2016. Global feature extraction from scattered point clouds based on markov random field. Acta Automatica Sinica, 42(7): 1090-1099 (张靖, 周明全, 张雨禾, 耿国华. 2016. 基于马尔科夫随机场的散乱点云全局特征提取. 自动化学报, 42(7): 1090-1099) [DOI:10.16383/j.aas.2016.c150627]
  • Zhang J, Zhou M Q, Zhang Y H, Geng G H, Li S S. 2017. Study on a new method of feature extraction from scattered point clouds. Journal of Chinese Computer Systems, 38(7): 1601-1607 (张靖, 周明全, 张雨禾, 耿国华, 李姗姗. 2017. 一种新的散乱点云特征提取方法研究. 小型微型计算机系统, 38(7): 1601-1607) [DOI:10.3969/j.issn.1000-1220.2017.07.033]
  • Zhang M M, Chen X and Pan Z G. 2014. Interaction study of digital shadow play using the Kinect//Proceedings of the SIGGRAPH Asia 2014 Posters. Shenzhen, China: ACM: #17 [DOI: 10.1145/2668975.2669006]
  • Zhao F Q, Dai C, Geng G H. 2021. 3D model retrieval of terracotta warriors fragments based on feature fusion. Journal of University of Electronic Science and Technology of China, 50(2): 225-230 (赵夫群, 戴翀, 耿国华. 2021. 基于特征融合的文物碎片模型检索. 电子科技大学学报, 50(2): 225-230) [DOI:10.12178/1001-0548.2020281]
  • Zheng R, Qian W H, Xu D, Pu Y Y. 2019. Synthesis of embroidery based on convolutional neural network. Journal of Zhejiang University (Science Edition), 46(3): 270-278 (郑锐, 钱文华, 徐丹, 普园媛. 2019. 基于卷积神经网络的刺绣风格数字合成. 浙江大学学报(理学版), 46(3): 270-278) [DOI:10.3785/j.issn.1008-9497.2019.03.002]
  • Zhou M Q, Yang W, Lin F Y, Geng G H, Liu X N, Li K. 2021. Skull identification based on least square canonical correlation analysis. Optics and Precision Engineering, 29(1): #201 (周明全, 杨稳, 林芃樾, 耿国华, 刘晓宁, 李康. 2021. 基于最小二乘正则相关性分析的颅骨身份识别. 光学精密工程, 29(1): 201-210) [DOI:10.37188/OPE.20212901.0201]
  • Zhou S P, Geng G H, Li K, Wang P. 2018. Multi-view geometric 3D reconstruction method based on AKAZE algorithm. Computer Science, 45(11A): 180-184, 207 (周泩朴, 耿国华, 李康, 王飘. 2018. 一种基于AKAZE算法的多视图几何3维重建方法. 计算机科学, 45(11A): 180-184, 207) [DOI:10.11896/j.issn.1002-137X.2018.11A.034]