在莫高窟第 305 窟与第 306 窟之间，一位彩绘守护神手执长剑，抵挡着艺术家从未为他安排的敌手：露天风雨。原先遮护这尊形象的洞窟前壁已经坍塌，颜料层与土质灰泥暴露在外。上方这张 2007 年照片里，磨蚀具体可见，也已成为这件文物历史的一部分；每一道缺失的轮廓都留下一个问题。[7]

因此，敦煌成为衡量中国生成视觉进展时一处要求极高的现场。模型几秒钟便能补上缺口，文物保护却要继续追问：缺口源自何种损伤，周围还存有哪些证据，修复方案提出的线条是否属于相应洞窟和时代，推测与记录又分隔得多清楚。真正值得关注的现场信号，是中国的研究链条正逐步明确修复所依据的证据，也明确生成图像的主张所能抵达的限度。

这种变化可以从四个研究节点看见。2022 年，一项与敦煌研究院相关的项目把虚拟修复放进规模更大的数字遗产体系。2024 年，一套数据集让损伤掩膜与超分辨率配对数据得到复用。2025 年，一项研究正面处理褪色图像与修复图像配对样本短缺的问题。到 2026 年 5 月，一种新的壁画修复方法在训练时已不把干净图像用作修复目标。[1][3][4][5] 每一步都削减了一项技术瓶颈，也让来源谱系和专家审核承担更重的分量。

基线始于摄影系统，生成器在其后

2022 年的论文 Artificial Intelligence for Dunhuang Cultural Heritage Protection 出自天津大学、敦煌研究院、暨南大学等机构的研究人员。这段时间脉络很重要。在提出神经网络修复方法之前，团队先介绍了延续 30 年的采集工作：专用照明与相机装置、色彩受控成像、全景采集和三维扫描。论文称，团队以 300 dpi 的精度完成了 258 个洞窟的高精度采集，将几何畸变控制在 2 毫米以内，同时开展了彩塑三维重建。[1]

这些数字属于上游采集条件，随后模型的意义由此成立。生成补片的可信程度，受制于其学习所依据的照片、色彩校准、文物档案和洞窟位置。

同一项目发布了“AI for Dunhuang”数据集，其中 10,000 张图像用于修复、3,455 张用于风格迁移、6,147 张用于属性检索。任务范围超出了缺损填补：研究人员还测试了目标检测和检索，帮助学者在规模庞大、难以逐张查看的图像库里查找反复出现的人物、纹样和属性。[1] 相较于一次孤立的修复前后对照，这种遗产 AI 的定义更具实用价值。搜索与比较可以辅助学术研究，也让生成像素明确停留在推测层，与“曾经存在于墙面”的事实主张分开。

这篇论文尤其明确区分 虚拟修复 与实体干预。模型运行在数字图像上，输出可以服务于研究、展览或文物修复师的研判；稳固灰泥、调控湿度和重新黏附颜料，仍属于实体保护工作。数字敦煌官方平台如今通过数字资源库、开放素材库、数字藏经洞和敦煌学研究文献库开放这一数字层。[2] 敦煌研究院的实体保护工作仍由另一套专业体系承担。

2024 年，数据把瓶颈标注了出来

MuralDH 于 2024 年 9 月发表于 Scientific Data，它把修复问题拆成数个任务明确的数据集。数据集包含超过 5,000 个统一为 512 × 512 像素的壁画切片，其中 1,000 张带有像素级损伤标注，另有 500 张高质量图像被整理成超分辨率研究的配对素材。配套框架分别处理损伤分割、图像补全和分辨率增强，由此拆开“修复这幅壁画”这条含混的整体指令。[3]

这样的拆分让审核者可以提出三个不同的问题：系统是否找准了损伤？是否只填补标注区域？增强处理是否保留了细小结构，还是凭空生成了它们？否则，一张漂亮的最终图像足以遮住错误的掩膜，或藏起看似合理却缺少依据的虚构内容。

MuralDH 也显露出下一项约束。作者称，原始图像池取自互联网上可以访问的壁画图像，随后经过清洗、去重和裁切。数据集记录包含原始位置、历史时期和文化说明等元数据，这是一层重要的上下文。不过，方形切片距离完整的保护档案仍有一段距离；现有公开材料也尚未为每张衍生图像建立采集事件谱系，包括日期、设备、色彩标靶、壁面位置、照明条件和材料诊断。论文将数据集用途限定在学术与教育领域，并引导读者前往公开的 GitHub 数据集仓库获取基础处理脚本；更彻底的开放还要求每个训练切片都能回溯到留有文档记录的源文物与采集事件。[3]

MuralDH 的价值依然成立，这项约束恰好说明来源谱系应进入数据模型主体，从脚注走到字段里。在遗产保护中，谱系应成为数据的一项内建属性。

一次 2025 年实验解释了为何“ground truth”如此稀缺

2025 年 2 月，一篇发表于 Heritage Science 的论文用全局注意力模型处理色彩褪变。研究人员从高分辨率数字敦煌材料中取出 6,843 个褪色的 256 × 256 图像切片，又从修复图册扫描件中取得 5,933 个经过人工修复的切片。同一幅壁画很少同时留下完全对齐的褪色图像和权威修复对应图，因此团队跨两个未配对域训练模型。公开的实验配置采用 5:1 的训练集与测试集划分，系统为 Ubuntu 20.04、PyTorch 2.2 和 CUDA 11.8，硬件是一张配备 24 GB 显存的 RTX 3090。[4]

这条界限比任何单项分数更重要。实验要回答的是，模型能否从一套图像中学习修复后色彩的分布，再把它应用于另一套褪色材料。它没有恢复一个恰好被遮蔽、却可以由照片验证的原始状态。看起来可信的蓝色或红色，是受人工修复参考集塑造的模型方案；它与这块壁画当年确有这一色值的直接证据分属两层。

这项研究仍然有价值，因为它使用真实的褪色图像，也公开说明了两个训练域。它把实验推进到比将完好图像人为褪色更贴近实际的一步；在后一种做法中，研究者会要求模型逆转研究者自行制造的退化。[4] 然而，系统越贴近真实损伤，“看起来对”这一标准越难单独完成验证。特定时代的颜料知识、相邻区域的图像学信息、既有文献和文物修复师审核，都必须进入决策。

2026 年，训练目标摆脱了干净孪生图像的要求

最新信号来自一支使用敦煌衍生基准的独立研究团队。2026 年 5 月，一篇 npj Heritage Science 论文提出无监督残差扩散方法，训练过程中不使用干净的修复图像作为目标。论文报告的基准流程依旧从干净或高质量的敦煌图像出发，施加采样得到的退化，并保留干净原图作为评估真值。方法中的低秩先验旨在抑制采样期间棘手的高频噪声。作者报告的性能与有监督替代方法相当或更好，不过 DUNHUANG 上的结果会随指标而变化。[5]

应把这一结果读作研究方向的信号。文章以未经编辑的早期稿件形式发布；基准实验使用 DUNHUANG 和 MuralV2，论文没有记录莫高窟现场部署；模型层面的比较也不等同于文物保护许可。它展示的是研究策略的变化：干净图像仍用于合成基准的构造和评估，训练阶段的修复目标则不再依赖它们。[5]

这条技术路线颇具吸引力，现实中的证据问题依旧敞开。在已知干净原图的合成损伤图像上取得增益，无法说明同一模型怎样处理真实缺损，因为那里的原始像素已经无从恢复，也就无法对照。交付若停在一张看似无缝的“修复版”JPEG，审查所需的证据便会丢失。合适的产品形态是一套审核包：原始采集图像、经过校准的元数据、损伤掩膜、一种或多种候选填补、置信度或分歧图、模型与 checkpoint 标识，以及对人工决定的可逆记录。

部署的考题，在于不确定性能否留在界面里

莫高窟实体壁画保护展示了软件需要达到的标准。盖蒂保护研究所与敦煌研究院合作开展的第 85 窟项目，结合了状况记录、预防措施、处理后监测、照明、游客管理和文化意义说明。面对全址约 45,000 平方米的壁画，这项合作把预防性保护置于优先位置，让“每一处表面都恢复得完美无瑕”的幻象退到保护目标之外。[6]

AI 修复也应继承这份克制。以下四项信号，可以显示相关研究正在成为可靠的遗产基础设施：

1. 文物级来源谱系。 每个切片始终与洞窟、壁面、采集日期、设备、色彩标靶、已知干预和使用条款相连。
2. 专家评价先于审美排名。 由文物修复师和敦煌专家评估结构与图像学错误，像素相似度和感知真实感的排名居于其后。
3. 可见的备选方案。 界面保留相互竞争的重建方案和不确定性，避免将它们压平为一张权威图像。
4. 明确的交接说明。 项目报告应说明输出服务于搜索、公众阐释、虚拟展示、保护规划还是实体处置。一种用途的证据应留在相应范围内，不能悄然移作另一种用途的依据。

反证标准很直接。如果新模型生成的图像越来越无缝，训练来源、洞窟上下文和专家决定却越来越难核查，这个领域便是在提升合成能力的同时削弱保护证据。如果更好的模型与更完整的谱系、更明确的不确定性一同到来，敦煌便能为中国提供一种影响深远的 AI 用例：计算工作把更多可追溯的方案交给专家审视，并始终以专家为判断核心。

第 305 窟与第 306 窟之间那位暴露在外的守护神，应当继续作为检验标准。有用的系统能帮助我们看见缺失墙面当年呈现过怎样的图像。可信的系统还会让断口保持可见，并准确标出知识在何处终止。

来源

1. Tianxiu Yu 等，“Artificial Intelligence for Dunhuang Cultural Heritage Protection: The Project and the Dataset”，International Journal of Computer Vision 130（2022）——与敦煌研究院相关的数字化历程、“AI for Dunhuang”数据集、任务定义和评估范围。
2. 敦煌研究院，“Digital Dunhuang”——数字资源库、开放素材库、数字藏经洞和敦煌学研究文献库的官方入口。
3. Zishan Xu 等，“A comprehensive dataset for digital restoration of Dunhuang murals”，Scientific Data 11（2024 年 9 月 2 日）——MuralDH 的构成、标注、修复流程、来源收集、使用限制和代码开放情况。
4. Zhen Liu、Silu Liu 和 Shuo Fan，“Research on the virtual restoration of faded Dunhuang murals with a global attention mechanism”，Heritage Science 13（2025 年 2 月 24 日）——数据来源、未配对域、实验环境和色彩修复的适用界限。
5. Yao Yan 等，“Learning mural restoration from degraded data via unsupervised low-rank residual diffusion”，npj Heritage Science（2026 年 5 月 17 日）——训练时不采用干净目标监督、合成基准构造、低秩先验、论文报告的结果和发表状态。
6. 盖蒂保护研究所，“Wall Paintings Conservation at Mogao Grottoes”——第 85 窟的方法、预防性保护、监测、游客管理，以及与敦煌研究院的合作。
7. G41rn8，“Mural—Mogao Caves, Dunhuang”（摄于 2007 年），Wikimedia Commons——真实纪实封面照片的来源页面和实地环境。