颜色在理解古代文物的物质性、象征意义和美学特征方面起着至关重要的作用。然而，经过几个世纪的退化，考古藏品中的颜料已经发生了不可逆的丧失，这限制了学术解释和公众欣赏。本研究引入了一种新颖的框架，采用生成式人工智能（Generative AI）对哈拉帕文物中遗失的颜料进行数字化重建，哈拉帕是南亚最早的都市文化之一。利用来自博物馆和开放获取档案的陶器、印章和小雕像的高分辨率图像，对基于扩散的生成模型进行了微调，通过参考现存的颜料数据集和情境考古元数据来预测原始色度值。随后，重建的图像通过色度校准流程进行处理，以确保跨设备的感知准确性和一致性。定量评估将生成的色调与已知的颜料光谱进行了比较，而考古学家的专家验证则评估了视觉合理性。结果表明，生成式人工智能可以有效地模拟褪色或侵蚀文物的原始外观，为虚拟修复、数字叙事和教育可视化提供了新的可能性。除了颜色恢复之外，该研究还强调了人工智能驱动的色度重建如何有助于遗产保护和解释，为通过计算手段重新构想古代美学提供了一种可重复的方法论。这种方法通过在一个可持续且文化敏感的框架内连接遗产科学、机器学习和考古可视化，扩展了数字色彩保护的前沿。
研究背景与意义
颜色不仅是物质文化的审美属性，更是古代器物物质与符号结构的基本维度。在许多早期社会中，颜料的选择、施用及其视觉表现传递着象征意义、身份地位、仪式功能和身份认同。然而，历经数千年，考古器物原始颜料的色彩表面遭受了埋藏土壤化学作用、水分、光照、微生物活动、颜料粘合剂分解以及人为干预等多种退化过程的影响，导致褪色、化学改变、颜料层脱落甚至完全失去可见的色彩信息。尽管在遗产科学与博物馆学中，实现准确的色彩再现和记录已成为关键优先事项，但当前的色彩采集和颜料识别工具虽然先进，却存在一个重大缺陷：它们本质上是被动的，只能恢复或可视化仍可测量的内容，而无法推断曾经存在但现已完全消失的原始色彩状态。针对这一空白，本研究提出了一种生成式人工智能（Generative AI）方法，旨在填补这一方法论上的空白，为考古学中的虚拟色彩保护提供可重复的数字化工作流程。
主要关键技术方法
研究人员开发了一个名为生成式人工智能色彩重建（Generative AI Color Reconstruction, GAICR）的计算框架。在数据收集方面，研究从哈拉帕博物馆、巴基斯坦国家博物馆及开放存取的存储库中获取了约1200张高分辨率图像，涵盖彩陶碎片、赤陶小雕像和印章等870件独特文物，其中186件拥有实验室颜料分析作为真实参照。在数据预处理阶段，所有图像被标准化至512 × 512像素，并使用U-Net卷积神经网络进行文物与背景的分割，实现了高达0.92的平均交并比（IoU）。生成模型的架构基于潜在扩散模型（Latent Diffusion Model），研究人员使用低秩自适应（Low-Rank Adaptation, LoRA）技术对模型进行了微调，使其学习特定的遗产色彩映射。此外，颜料注释、类型学代码和来源标签被编码为64维的学习嵌入，并与输入图像张量结合，使模型能够在统一的潜在空间中整合形态、上下文和颜料线索。最后，通过CIE LAB色彩空间和CIEDE2000（ΔE00）公式进行比色校准，确保跨设备的一致性。
研究结果
4.1 AI重建输出
生成式框架在整个哈拉帕文物语料库中产生了视觉连贯的色度重建。视觉检查表明，模型准确地再生了典型的哈拉帕色度图案，特别是陶瓷表面的红黑交替滑泥以及小雕像的赭石着色。对于含有残留颜料痕迹的文物，重建结果与现有色度线索紧密吻合；而对于完全没有颜料的文物，则基于训练语料库中推断出的类型学类比进行重建。值得注意的是，模型倾向于保持低饱和度色调，避免了暗示现代重新诠释的过度鲜艳色调。
4.2 定量分析
定量评估表明，所提出的生成管道实现了令人满意的比色和结构保真度。全局平均ΔE00为3.67，表明重建值与参考颜料值之间具有高度感知一致性，且结构相似性指数（SSIM）值大于0.95，证实了重建图像与原始纹理之间的结构连贯性。与传统的非AI图像修复技术相比，这种基于扩散的方法在色差误差上减少了42%，在SSIM上提高了13%，证实了数据驱动的生成推理在色彩复原方面的优越性。
4.3 专家评估
由考古学家、文物保护科学家和数字遗产专家组成的七人小组进行了定性评估。评分标准包括色度合理性、美学连贯性和文化可解释性。结果显示，色度合理性的平均得分为4.53分，美学连贯性为4.42分，文化可解释性为4.47分。专家们认为重建结果非常可信且视觉平衡，特别是在陶器样本中，红黑滑泥图案与既定的哈拉帕风格惯例相匹配。这表明生成模型作为解释工具而非纯粹的重建工具具有巨大潜力。
讨论与结论
这项研究证明了生成式人工智能能够推断并可视化那些原始颜料已无法物理观测的考古文物的合理色彩状态。该框架并非确定性地重现经验可测的颜色，而是通过概率推理，学习表面形态、器物类型学、颜料传统和上下文元数据之间的关联。从考古学的角度来看，重建的色彩图案与哈拉帕物质文化的既定惯例相一致。例如，彩陶重建主要强调中低饱和度的红色滑泥与黑色或深棕色装饰图案相结合，这与记录了哈拉帕陶瓷中铁基红色滑泥和碳基或锰基黑色颜料的考古计量研究相吻合。
在技术层面，该框架展示了其作为博物馆、档案馆和文化遗产机构非侵入性修复工具的强大潜力。与传统方法不同，所提出的生成模型完全在数字代理上运行，消除了物理接触的需要，从而保护了文物的材料完整性。此外，该管道可无缝集成到3D渲染环境中，扩展其在虚拟展览和教育模拟中的用途。
在遗产与伦理层面，AI生成的重建应通过元数据标签、叠加可视化或概率色彩图明确表明其推断性质，以区分确认的颜料区域与算法重建区域。这种“设计即透明”的原则确保了学术诚信，并促进了保护者、历史学家和技术专家之间的对话。最终，研究得出结论，生成式人工智能色彩重建（GAICR）框架代表了遗产科学更具动态性和跨学科视野的一步，算法辅助而非取代人类解释，将数字色彩从单纯的视觉属性转变为理解历史的渠道。
