1.2 研究动态及待解决问题

1.2.1 博物馆数字修复的研究动态

随着数字信息处理技术的发展，文化遗产数字信息的采集、存储，以及数字修复与重建成为文物数字化保护的新型手段。各国政府、高校和研究机构均设立了大量相关科研项目，并多次举办国际会议探讨与推进文物数字信息的保护和重建技术。研究如何用数字信息处理技术重现古代文明的风采。

欧盟（EU）于2001年开始的围绕土耳其Sagalassos遗址的MURALE项目[23]，利用采集的3D信息，建立古遗址重建方法，开发了一系列综合利用多媒体数据库、虚拟重建和可视化的信息处理技术。2008年，陕西文物保护研究院与美国西北大学合作的数字水陆庵项目[24]，历时5年通过二维高清晰数字摄影与制作、虚拟漫游拍摄与制作、古建筑的三维测量与测绘及建模、三维扫描与制作技术完成了水陆庵全景重建与数字展示。巴黎科学工业学院与里昂人文高等师范学院共同开发了一个名为Visite+的信息系统[25]，该系统以数字图像与影音的方式向观众在线展示馆藏珍品。2008年至今共有7次博物馆展览启用了Visite+系统，共有57万名参观者使用该系统进行参观，28万人次登录网络日志，1.3万人成为会员。斯坦福大学的Forma Urbis Romae科研计划[26]，通过Cyber ware三维扫描仪对Michelangelo遗留的1163片大理石碎片进行数字化，产生80亿个多边形点云图形和6000张彩色照片。通过对碎片进行数字拼接，完成了传统手工拼接方法几乎难以完成的任务。普林斯顿大学和Akrotiri考古研究院等[27]机构合作展开对Akrotiri遗址的破碎墓室壁画Theran重新组装与数字修复的研究工作，设计出一套墓室壁画碎片数字化系统及碎片拼接的方法，实现了碎片的虚拟拼接和修复。2009年北京师范大学周明全[28]教授团队通过三维扫描仪采集破碎兵马俑碎片，建立了一整套可以辅助秦始皇兵马俑彩绘陶俑立体信息修复与纹理贴片的系统。2011年我们团队[29]与陕西历史博物馆合作进行章怀太子墓《马球图》数字修复项目的研究。完成了多相机阵列高清采集的唐墓室壁画分镜头的拼接、整理与数字化修复工作，模拟墓室壁画修复过程中的酸洗、描线图、自动提取病害环节，建立了一整套可以修复地仗区域、胶印区域和早期错误修补区域的数字修复系统，并获得一项相关专利。意大利Cineca视觉信息技术实验室（VisitLab）积极开展CG（Computer Graphics）电影和其他ICT（Institute of Computer Technology）应用，2014年10月至今在伊特鲁里亚博物馆和博洛尼亚历史博物馆进行了近8万人次的馆藏文物信息的交互式动态联合展览，以一种新的方式来构思博物馆的文化传播战略。

随着数字博物馆、智慧博物馆的发展，在馆藏文物数字信息处理与信息管理需求下，综合利用数字信息处理技术的新成果为博物馆馆藏珍品建立合理、完整的数字修复体系已成为各国文物保护的新战略。

我国早期的馆藏文物数字信息修复与重建项目多以国际合作为主，一方面因当时国内的数字信息处理技术还不够成熟，无法满足文保单位的需求；另一方面用于采集、分析、处理数字信息的设备昂贵，博物馆技术人员又配备不足，完全由我国自主研发的数字修复系统并不多，很多文史资源调阅受限。例如，数字水陆庵的项目，所有采集的信息都存储在远程服务器上，我们的文保技术人员需要有访问权限才能够看到高清信息。近年来我们也在开展文物数字化保护的学术研究，联合各个高等院校与研究院所，搭建合作平台，期望在技术研发与应用领域中有所突破。利用前期采集的大量数字化信息，自主研发满足博物馆管理需求、符合我国传统修复工艺流程的数字修复体系。

1.2.2 数字修复技术的研究动态

数字修复技术（Digital Inpainting）是2000年在新加坡举行的SIGGRAPH国际学术会议上，由Bertalmio、Sapiro、Caselles和Ballester共同首次提出的，即著名的BSCB模型[30]。这是数字修复概念出现后提出的第一个修复模型，其通过模拟流体力学扩散过程中的N-S方程（Navier-Stokes Equations），将缺损区域周边的像素向信息缺损区域扩散，然后通过设定扩散方向，不断地迭代使有效信息源沿着等照度线逐渐扩散。该模型为数字修复技术的发展奠定了基础，明确了信息填充的基本思路，但是存在运算过程过于复杂、迭代耗时过大的缺点。随后，UCLA的Chan等在BSCB模型基础之上提出了整体变分（Total Variation，TV）模型[31]和曲率驱动扩散（Curvature-Driven Diffusion，CDD）模型[32]。整体变分模型采用能量泛函最小化过程，求解缺损区域丢失的信息。CDD模型在整体变分模型的基础上又加入了信息的曲率变化参数，改善了缺损区域边缘处的修复效果。它将BSCB模型中流体扩散方程求解高阶偏微分导数的思路，转换为求解变分能量泛函的过程，因为后者也可以写成高阶偏微分导数公式，所以又称为变分PDE（Partial Differential Equation）类模型。同时期，Wei和Levoy[33]通过在Ballester等[34]提出的基于像素的纹理合成算法基础上，增加了信息灰度值梯度方向插值算法，开启了纹理合成类修复技术的先河。其修复模型利用马尔可夫（Markov）随机场性质，将待修复的像素赋值为邻域最优匹配点的像素，在修复拓扑结构的同时可保证纹理信息的延伸。基于像素的纹理合成修复算法虽然效果良好，但是逐点修复的方法大大影响了其时效性。Zelinka等[35]为了提高修复速度，建立了基于跳转映射（Jump Map）的修复模型，在一定程度上提高了修复效率。随后，Efros等[36]提出了基于纹理块填充的修复模型，利用在有效信息源区采集与待修复块同样大小的纹理块，通过定义纹理块之间的相似度准则，寻找最优纹理块，提高了修复的视觉效果。修复效果突出并受到广泛认可的纹理合成修复模型是2003年由Criminisi和Toyama等[37]提出的基于样本合成的修复模型，该模型提出一种全新的思路，以固定的样本块为对象，结合了信息缺损区域边缘的等照度线法线方向矢量，以样本块填充的方式进行缺损区域的填充，兼顾了结构与纹理，在提高修复效果的基础上，相比较像素填充的修复模型，减少了时间复杂度。该模型是目前数字修复技术的研究热点。

随后数字修复技术朝着两大类分支各自发展，一类是针对像素扩散修复，模型建立过程以模拟物理扩散方程或求解能量泛函方程为基础，以离子或元素的方式进行信息重建；另一类是以信息块纹理合成技术为基础，通过不规则碎片或规则样本块合成的方式重建缺损信息。数字修复技术发展分支的关系如图1.2所示。

1.基于像素扩散的数字修复技术

其修复思路是将有效信息区域视作信息源，将待修复区域视为空洞，通过在待修复区域的边缘建立扩散方程，模拟边界临近有源区域向空洞进行信息源流入的过程。该技术对待修复区域的拓扑结构没有限制，仅限于局部区域的信息扩散，通过高阶偏微分求导或泛函求极值达到信息重建的目的。因为PDE与变分法都可以表达成高阶偏微分导数的形式，所以该类技术统称为变分PDE类修复技术。

针对变分PDE类修复技术的研究，主要围绕建立扩散方程和能量函数，并通过不同的影响因子去引导扩散方向或泛函收敛的过程。2002年Esedolu[38]引入Mumford-Shah扩散模型，通过校正高阶有界变分方程，提高像素扩散的效率。2005年Chan[39]在原始TV模型中加入了欧拉-拉格朗日方程，约束了扩散方向。2006年Bertalmio[40]采用N-S扩散过程，优化三阶PDE方程，增大了扩散强度，保证了结构的延续性。Tschumperlé[41]在热扩散方程的基础上，采用高斯函数与张量参数引导扩散方向与强度，大大加快了扩散的速度。2007年Barcelos[42]在Mean-Curvature-Flow扩散模型基础上，修正了像素点的扩散方式。2008年仵冀颖等[43]利用亥姆霍兹涡量方程替代流体扩散方程完成像素的扩散。2009年，Chan等[44]在TV模型基础上，提出一种小波域的快速修复算法，通过只修复小波分解系数，提高了修复的效率。2011年Humphrey[45]在TV模型基础上，通过增加辅助变量把单变量函数替换为双变量函数，实验结果证明该算法提高了TV模型的修复效率。2012年Arias[46]通过对比非纹理信息的修复和填充模型，引入Deep-Map参数改进了扩散方式。同年，Ebrahimi[47]在BSCB模型上采用二维Navier-Stokes-Voight模型进行改进，通过解泊松方程求解最小能量获取待填充像素。2013年Badeau[48]采用EM（Expectation-Maximization）改进Kalma滤波器，通过平滑扩散修复缺损区域的低频信息。J.Spirik[49]利用K-SVD奇异值分解改进扩散方向，经训练后建立扩散方向库，引导已知信息扩向未知信息区域。Bosch等[50]采用Cahn-Hilliard变分不等式求解二值图像的缺损信息。Abderranhim等[51]采用拉普拉斯方程通过机器学习优化了修复过程。2015年Bosch等[52]在N-S方程的基础上将Vector-Valued Cahn-Hilliard方程扩展到多灰阶信息的修复方法中。Afonso等[53]通过整体变分（TV）模型对未知缺损区域的信息进行检测，生成mask掩模，实现盲修复。2016年Barbu[54]提出基于二阶偏微分方程的变分模型，通过建立非线性二阶欧拉-拉格朗日扩散模型，采用有限差分的离散化方案，实现各向异性扩散的修复模型。紧接着2017年他[55]又提出一种基于非线性抛物型偏微分方程（PDE）模型的各向异性扩散。设计新的边缘停止函数，使用稳健的基于有限差分的数值逼近唯一弱解。2018年Benseghir等[56]将各向异性扩散过程与边角增强冲击滤波相结合，利用偏微分方程对非线性结构张量进行改进，提高了算法的准确性和健壮性。2020年Halim等[57]提出四阶各向异性扩散的灰度图像修复模型，利用时间上的凸分裂和空间上的傅里叶谱方法，导出了一个无条件稳定的数值格式，具有很好的一致性和收敛性。

像素修复算法中的PDE模型与变分技术均可表达为高阶偏微分方程求解过程，其中以TV模型与CDD模型最为典型，用它们作为基础的改进算法较多，能较好地模拟光照过渡状态，修复底层结构信息效果比较自然。此类以扩散方程为研究核心的像素推导算法，可靠性强，填充结果更为客观。但是当修复对象有丰富的纹理细节时，其与相邻像素之间的紧密数学依赖关系，使得修复结果容易出现因平滑产生的模糊现象，一般适用于纹理信息较少且缺损区域尺度较小的数字信息重建领域。因此，本书在研究过程中选择此类修复模型进行墓室壁画中划痕、裂缝等小尺度缺损区域修复，或者对画面信息分解后产生的纯结构信息的重建。这类修复技术因为其适用范围所限制，并且算法模型较复杂，技术瓶颈不容易突破，所以近年来的发展较为迟缓。

2.基于信息块合成的数字修复技术

其修复思路是基于纹理合成技术，利用残存纹理信息进行相似度计算，寻找最优相似块填充待修复区域。该类型修复算法结合信息处理的各种技术，力求修复效果逼真，涌现出大量的新方法。

1）过程纹理合成

过程纹理合成是直接模拟纹理特征，以函数的方式生成所需的纹理数据，是一种纯粹的纹理填充过程。2007年Haindl等[58]采用双向纹理函数（Bidirectional Texture Function，BTF）计算不同纹理的照明参数与纹理粗糙程度，以纹理的BTF参数进行合成过程的调控。2008年Kuo等[59]提出一种将修复过程与灰度梯度相关联、以自适应修复的方式保证结构的正确传播，并且在一定程度上提高了修复效率。2010年Peyré[60]提出利用Grouplet驱动纹理合成过程，通过分析纹理信息的合成方向，依据几何流动过程扩展纹理合成，对于自然纹理合成效果显著。2014年Pandya等[61]通过建立纹理库，设计稀疏冗余字典，通过字典中的纹理块映射填充信息缺损区域。同年，Favorskaya等[62]通过对信息进行预分割为不同均质的纹理类型，解决了SOM（Self-Organizing Map）中对不同纹理程度计算耗时的问题，可实现纹理较为复杂的修复需求。2015年Ruzic等[63]通过内容感知的马尔可夫模型，采用高斯模型建立非线性系统生成平稳纹理，在保证修复效果的基础上大大提高了修复效率。2017年Galerne等[64]用传统的高斯条件模拟算法求解条件样本采样的过程，在平稳高斯纹理的情况下，可以通过共轭梯度下降有效地完成大孔洞的修复。

过程纹理合成可以解决大面积匀质纹理信息缺损情况的修复问题，对于纹理块相似度高、待填充面积大的修复效果较为理想。其优势在于修复效率较高，可用于修复占据整体待修复面积一半以上地仗层的快速纹理合成。但是当壁画纹理细节较为复杂时，该技术在修复效果中常常会产生相似纹理重复率高、纹理质地均匀不宜体现信息梯度变化、纹理细节表现较差等现象。

2）样本填充

样本填充可以综合修复结构信息和纹理信息，平衡二者权重引导修复过程收敛。2003年Criminisi和Toyama等[37]在纹理合成的过程中引入等照度线变量，将纹理信息修复与几何信息修复统一起来。通过定义置信度函数和数据项函数，共同约束修复顺序中优先值计算的结果。按照计算填充前缘的优先值大小，确定样本块的修复顺序，并设立样本相似度准则，在已知区域寻找最优样本块，通过不断迭代填充，完成兼顾纹理与结构的修复过程。在此基础上，2006年Komodakis[65]采用置信度传播（Belief Propagation，BP）的方法，改进原始样本修复全局贪婪检索的方法，并用MRF（Markov Random Filed）进行最优估计计算置信度的传播过程。2008年Wong等[66]采用非局部-均值法扩展可参考样本，改善了原始模型在搜索相似样本时的局限性，优化了修复效果。2009年Wohlberg[67]采用稀疏线性组合生成新的可参考样本，丰富了样本资源，提高了修复效果。2011年Nishihara[68]扩充了修复过程中可参考样本源，通过简单的样本进行移位的方法，产生更多相似样本块。该方法可使样本填充过的边缘结构更加自然。2012年Hesabi等[69]在计算优先值的过程中，加入待修复对象的稀疏特性，充分考虑了待修复区域周边样本块的相似性，可加速修复效率。2014年Daisy等[70]采用结构张量进行最佳样本选取，并优化了填充策略，其在效果与效率上均有提升。2015年Maugey等[71]采用局部线性子（Locally Linear Embedding，LLE）引入新的递归聚类方法，缩小样本候选范围，对于填充待修复区域中孔洞的效果良好。2016年Siadati等[72]对Criminisi经典算法采用结构张量对不同信息块的结构权重进行重新定义，加强了结构因素的影响，对边缘结构缺损修复的效果良好。2018年Karos等[73]提出基于样本的数据优化方法，通过迭代来强化已知数据，对非局部像素交换进一步改进数据掩模，使其对稀疏数据样本修复效果有显著的改进。2019年Reshniak等[74]利用图像在选定特征域内的自相似性，引入各向异性的距离度量控制图像内的特征选择，约束了纹理样本的修复过程。

近些年因纹理合成类修复模型具有较好的适用性，数字修复技术的研究热点主要集中在此类修复算法的优化和改进方面。算法在相关文献中所占比例超过一半，特别是基于样本填充的修复模型，它能很好地兼顾纹理与结构信息的修复，是数字修复技术中发展最快的一类。

3.基于分解思想的修复技术

变分PDE与纹理合成两大类修复技术的研究均有持续发展，且各自有侧重点及其适用性。以像素为单位进行修复，通过建立数学方程对缺损信息进行计算，修复结果更为客观，但是只能修复小尺度的缺损信息，当信息缺损区域较大时会出现因像素间强数学关系导致的模糊现象；以信息块为单位进行修复，通过寻找最优匹配块，合成信息缺损区域，修复视觉效果逼真，但其过程中受到可利用信息块的大小、数量和图像本身纹理复杂度的影响，修复过程容易出现垃圾块堆积。因此有一种新思路就是结合二者的优点，扬长避短，采用在修复之前先对待修复对象进行分解，分解为纯纹理信息与纯结构信息，再分别用PDE类的算法修复纯结构信息，用样本类的算法修复纯纹理信息后，将两部分修复结果重构以得到更好的修复效果。

分解思想的修复技术由Bertalmio等[75]于2003年提出，通过变分TV振荡子得到平滑后的待修复对象信息作为纯结构部分，再将其与原始信息做差计算得到纯纹理部分。然后，分别采用变分PDE类算法与纹理合成算法进行信息重建。最后，重构两个修复结果，获得最终修复效果。这种方法相较于单纯某一种方法的修复效果均能表现出更好的结果。2005年Elad等[76]采用主成分分析法（MCA）将待修复对象的纹理部分与结构部分用不同的稀疏字典进行映射，先在对应部分的信息上进行修复，再进行稀疏重构获得修复结果。同年，Chang和Shih等[77]通过傅里叶分解函数对待修复对象进行分解，分解过程调整傅里叶系数值，实现自适应分解。2015年Desai等[78]用DCT变换的正交基进行稀疏分解，并比较分析贪婪算法与松弛算法在分解图像中的修复效果。2016年Thai等[79]提出基于傅里叶全局分解技术，将待修复对象依据定向总变差范数分解为三个部分，分别进行修复后重构提高修复效果。2017年Alilou等[80]利用奇异值分解生成近似矩阵，并用该矩阵重构目标区域，近似矩阵采用原始图像的灰度复制，提高对图像的全局分析，结果可去除伪影。2019年Ghorai等[81]提出了一种基于多金字塔分解的图像修复算法，利用局部样本统计和基于几何特征的稀疏表示来保持纹理和结构的一致性。我们团队也分别在小波域[82]和轮廓波域[83]对待修复对象进行了先分解再修复的模型研究。因此，在重建缺损信息之前，采用分解技术把信息分解为底层结构信息与上层细节信息两大类，然后分别用改进过的PDE类算法或纹理合成类算法进行修复实验，成为一种事半功倍的新思路。

目前，结合多种修复算法的优势进行综合处理，是数字修复技术的一个发展趋势。在本书所研究的馆藏墓室壁画残存信息的修复过程中，对于不同的缺损程度（如块状和块间）和病害污染类型（如裂缝、断裂和龟裂）选用不同的修复算法进行综合处理，比单纯使用某一种算法在修复效率与修复效果上均有所改善。

1.2.3 古代壁画数字修复技术的研究动态

古代壁画在历史与美术史上具有双重重要的地位，受到了各个国家文物科技保护工作者的重视。随着数字修复技术的发展，针对古代壁画的数字修复研究也有了一些新的进展。2000年希腊的Pappas[84]通过计算机仿真比较5种数字色彩复原技术，寻求可以复原古希腊教堂壁画因氧化而产生的颜色蜕变。同年，意大利的Barni等[85]研究数字信息处理技术去除壁画中细小污染物的方法，利用图像去噪技术对绘画大师Francesca的壁画进行清洗流程预演，为实际修复过程提供参考。2007年意大利的Mastio等[86]研究了虚拟重现与水印加密技术作用在壁画信息上的效果，并研发符合该国文物数字修复需求的软件。2008年希腊的George等[87]结合图像稀疏表示，并加入隐马尔可夫树模型，获取相邻像素小波系数的相关性，复原了希腊史前壁画。2009年捷克的Blazek等[88]在壁画数字信息中的可见光与紫外光谱部分进行了图像配准与图像融合，分析了圣托里尼的国宝墓葬壁画Thera的老化过程，并实现模拟复原，修复效果虽因融合效果不佳导致壁画部分区域信息模糊，纹理细节丢失，但是达到了壁画整体结构的预览，给文物修复人员积累了更多的修复经验。2011年捷克的Benes等[89]提出用图像分割与数字修复技术相结合，去除古代摩拉维亚壁画上的人为痕迹。2012年印度的Chanda等[90]对古印度壁画建立了有效信息样本库，采用块匹配技术，用壁画库中有效信息块对残存壁画进行了修复预演。同年，Agrawal等[91]通过检测Vinayagar神庙外围墙面壁画中的重复图案，模拟重复规则，利用高度相似分块，进行外墙壁画的数字修复。2013年美国的Karianakis等[92]利用形态学算法进行德黑兰古代壁画的病害检测，并通过改进的TV算法对其进行了修复。同年，比利时的Cornelis等[93]采用图割技术检测壁画病害，自动标记根特祭坛壁画上错综复杂的缺损区域，并进行了数字修复。2014年韩国的Lee等[94]建立了一个虚拟展示古代高丽国墓室壁画修复过程的系统，该系统拥有友好的人机界面并可以动态展示修复过程。2016年印度的Aswatha等[95]建立了一套以数字修复技术为核心的一体化涂漆系统，重建帕斯帕提那神庙壁画的信息，采用双边滤波、样本源约束修复、色调处理和纹理梯度融合等技术实现数字油漆系统。2017年英国的Purkait等[96]针对印度神庙壁画中无法进行物理修复的对称性图案进行了数字化修复，提出了一种基于样本相干纹理的合成技术，能够在保持空间一致性的同时将基于样本的扩散技术与高频产生技术相结合，从而使边缘同时锐化和去噪，可以有效地处理丰富多样的画面。2018年泰国的Jaidilert等[97]将划痕检测程序与基于模型优化的修复程序相结合，建立了一种计算机辅助半自动修复框架。由用户给出少量的种子点，然后通过区域生长和形态学运算来计算划痕的位置，然后采用不同的变分补绘方法对缺损区域进行像素填充和颜色恢复。2020年意大利的Barra等[98]针对意大利壁画碎片结构的分析，提出基于提取SIFT特征的壁画二维重建数字方法，在DAFNE数据集上执行，对假碎片的健壮性及包含假元素的片段集场景能产生比较好的效果。

在我国古代壁画数字修复技术研究领域，敦煌研究院对石窟壁画数字修复的研究贡献较为突出。敦煌研究院于20世纪90年代末与美国梅隆基金会、美国西北大学共同开展了“数字化敦煌壁画合作研究”项目，通过数字化高清采集累积的素材进行壁画颜色褪变模型的研究。由潘云鹤、鲁东明、刁常宇为核心的科研团队探索石窟壁画数字重建技术，在敦煌石窟、宁夏须弥山石窟、云冈石窟等地区进行了大量的石窟壁画颜色蜕变模型研究，形成了系列化的石窟壁画数字修复体系。他们所建立的国家级古代壁画保护科研基地对石窟壁画及其遗址的数字重建做了多方面的尝试，从早期的数字化采集[99]到建立壁画颜色模型[100]、轮廓模型[101]、褪色恢复[102]及虚拟重建[103]都进行了多角度突破性研究，其研究成果主要是对敦煌壁画色彩蜕变数字修复各环节的模拟。另外，2004年中国台湾的Pei等[104]通过马尔可夫随机场技术，对我国古代壁画的残存信息进行扩散，重建壁画中信息缺损的区域，去除了壁画中的污渍与划痕。2009年Liu等[105]将样本填充模型中的全局遍历过程改进为局部搜索的方法，在一定程度上提高了古代壁画修复的可执行度，但是修复效果有所降质。随后其他研究机构也陆续以敦煌石窟壁画为对象进行了数字化修复研究，如西北民族大学王书文教授及其团队陆续对敦煌壁画基本信息的分割[106，107]，以及采用数字画面信息重建等[108-111]技术的研究。我们团队以唐墓壁画为研究对象，将其分块揭取，因其颜色素雅，内容与敦煌所表达的宗教素材完全不同，需要分析更多历史人文信息的特点，所以做了大量的研究工作，从2012年至今发表了大量的学术文章[112-121]。

我国古代壁画数字修复技术以敦煌壁画的复原为先例，主要侧重于画面颜色退化模型的研究。其受损原因主要是露天环境下受紫外线与风沙影响，病害突显状况表现为颜料褪色。而墓室壁画深埋地下，在被挖掘出土之前，其存留环境密闭，受外界环境和人为干扰较少，受损原因主要是地表沉降导致的地仗断裂、错位，以及出土后保存环境变化产生的画面开裂与起甲脱落。这二者信息受损机制不同，需要采取的修复方案也不同。数字修复技术可以模拟手工修复过程，参考画面残存的有效信息进行填充，该过程更加符合墓室壁画信息重建的要求。

1.2.4 墓室壁画数字修复面临的问题

在高清信息采集技术日趋成熟的条件下，大量墓室壁画也以高清信息的形式被采集和保存下来，影像数据是记录博物馆平面文物的重要媒体素材。以陕西历史博物馆为例，现有馆藏墓室壁画500余幅，其中一级品就有100多幅，来自20余座唐代墓葬，总藏量达1000m2。其中，五大皇室墓穴——韦炯墓、永泰公主墓、懿德太子墓、房陵公主墓和章怀太子墓的数字化采集工作都已完成，生成了大量单幅（3×7m2左右）数据量达几十GB数量级的高清壁画数字图像信息。由于20世纪中期考古发掘时技术条件、文物状况等因素，挖掘采用的是分块挖取的方法。因此墓室壁画不仅存在单幅画面信息缺损的问题，还存在分块壁画间大量信息待修复的问题。图1.3是章怀太子墓《马球图》的分块挖掘保存情况。

章怀太子墓《马球图》的画面高为229cm、宽为688cm[122]。其构图有起有伏、疏密相间，其中的人、马、山石和古树，都能给人一种古朴、典雅美感，是章怀太子墓陪葬的艺术品。因画幅较大，出土时被分割为5块进行揭取保存，使用瑞士的Sinar P2型大画幅技术相机和Sinar 75LV数字后背进行数据采集，其采集文件格式为RAW，色域模型为Adobe RGB。使用施耐德APO镜头和德国巴赫聚光灯进行照明。按照同一行的拍摄方向从左至右依次拍摄，相邻两张图像的重叠为40%～50%，拍摄全程为非接触式、分镜头平行采集[123]。最终获取了每块数据量在近10GB以上的高清壁画图像，这5块的总数据量超过20GB。《马球图》的采集量如表1.1所示。

针对高清墓室壁画数字修复的实现，主要面临的问题如下。

（1）墓室壁画高清采集后的数据量较大，存在现有全局遍历迭代寻优的数字修复技术无法运行的问题。墓室壁画数据采集完成后，一个单独的分块画面就需要捕捉20～30个镜头才能完成，单个镜头的数据量为180MB，拼接后得到的单幅画面分块数据信息高达4～5GB。如此大的数据量用现有修复模型中全局遍历迭代寻优的方式，对于计算机的CPU运行具有很大的挑战性，即便是单个镜头也会因遍历时间过长，导致出现内存不够系统崩溃的现象。

（2）墓室壁画信息的残缺是粗暴的物理过程引起的，存在如何建立缺损信息区域的数据模型、检测病害区域及标记的问题。在数字修复体系中，需要通过建立数据模型告知计算机输入图像矩阵中哪些是有效信息源，哪些是待填充区域。而墓室壁画中无论是正常的绘画区域还是被病害污染的区域，对于计算机都是具有数据量的二进制信息，因此需要通过对墓室壁画中的病害区域进行标定，并建立掩模输入给修复模型作为填充区域设定的依据。

（3）墓室壁画残存信息受错综复杂的病害污染，存在修复需求画面尺度不同的问题。对于小尺度残缺区域、大尺度残缺区域、地仗区域、绘画区域、结构信息、纹理信息均需要采用不同的修复方案进行信息重建。当画面信息中含有大量信息冗余，大型墓室壁画分块间的大量重要绘画线条中断时，现有的单一修复技术无法兼顾完成，还需要对画面信息进行多尺度、分层、多模型的综合修复。

（4）墓室壁画无原始完整信息可比对，存在修复效果如何评价的问题。现有的画面复原效果评价都需要与原始信息进行参考。墓室壁画不仅没有原始画面完备信息可以参考，而且整个信息处理过程只发生在残缺区域，画面信息残存有效信息区域并没有任何改变。这属于病态性很强的反问题求解，需要依据人眼视觉心理学设计评价指标。