周明全，褚 彤，耿國華，姚文敏，張 軍，曹 欣*

（1.西北大學(xué) 信息科學(xué)與技術(shù)學(xué)院，陜西 西安 710127；2.西北大學(xué) 文化遺產(chǎn)數(shù)字化國家地方聯(lián)合工程研究中心，陜西 西安 710127）

1 引 言

秦始皇兵馬俑是中國古代秦朝政治、軍事和文化的象征，是人類珍貴的文化遺產(chǎn)。由于時間和自然腐蝕等因素，很多兵馬俑出土?xí)r呈破損狀態(tài)，因此為重現(xiàn)文物形態(tài)，文物的拼接修復(fù)成為考古學(xué)家的主要任務(wù)之一。隨著計算機(jī)視覺技術(shù)的發(fā)展，借助計算機(jī)輔助虛擬修復(fù)技術(shù)對文物進(jìn)行三維數(shù)字化，實(shí)現(xiàn)文物的精準(zhǔn)修復(fù)以及重現(xiàn)文物原始面貌進(jìn)行三維虛擬展示具有重要意義。然而，由于許多碎片的斷裂面被侵蝕，匹配的碎片不能被緊密粘接，導(dǎo)致組裝好的文物上存在孔洞。

傳統(tǒng)的研究方法主要分為塊匹配方法和表面擬合重建方法。基于塊匹配的方法適用于修復(fù)較大的孔洞，F(xiàn)u等［1］基于幾何方法利用非局部相似性原理選取自適應(yīng)模板，通過計算與孔洞的相似度填充孔洞。但是對于全局特征不相同的物體該方法無法生成合理的結(jié)果。因此Fortes等［2］基于三維網(wǎng)格利用重構(gòu)函數(shù)對缺失區(qū)域進(jìn)行擬合重建。Gai等［3］利用二維投影檢測孔邊界，使用SFM和徑向基函數(shù)填充缺失區(qū)域。Lin等［4］針對離散點(diǎn)云曲面提出基于張量投票的曲面擬合重建方法。隨著GAN網(wǎng)絡(luò)的提出和卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，很多基于GAN和CNN的修復(fù)方法被提出，Yang等［5］基于自編碼器和GAN網(wǎng)絡(luò)相結(jié)合，從單張深度圖中重建高維精確的三維結(jié)構(gòu)對物體進(jìn)行修復(fù)。Wang等［6］基于自編碼器和GAN對抗生成網(wǎng)絡(luò)，學(xué)習(xí)生成潛在向量，對不完整模型的進(jìn)行細(xì)粒度建模。與傳統(tǒng)修復(fù)方法相比，深度學(xué)習(xí)的方法有更合理的填充結(jié)果，但是對數(shù)據(jù)量的要求和訓(xùn)練時間的開銷都是其劣勢所在。傳統(tǒng)方法更加直觀，但是在實(shí)際應(yīng)用效果上的魯棒性不夠。

在虛擬展示中，三維文物的表面顏色和紋理信息也尤其重要。傳統(tǒng)的圖像修復(fù)方法分為基于偏微分方程的算法［7-10］和基于樣本補(bǔ)丁的算法［11-15］。前者主要針對小范圍的損壞，使用單個像素為基本單位，利用擴(kuò)散原理來完成圖像修復(fù)，但其魯棒性較差且容易造成模糊，后者從已知區(qū)域中找到具有最大相似性的補(bǔ)丁并將其復(fù)制到缺失區(qū)域。最近基于深度學(xué)習(xí)的方法通常將圖像編碼為潛在特征，然后將特征解碼回二維圖像。Context Encoder［16］結(jié)合了編碼器-解碼器和GAN，通過上下文像素預(yù)測來修復(fù)大規(guī)模圖像，并能夠產(chǎn)生合理的結(jié)果。但是上述方法沒有考慮圖像的一致性。Iizuka等［17］在上下文編碼器中添加了全局和局部上下文鑒別器，使其從全局和局部的角度判斷修復(fù)結(jié)果。Yu等［18］引入從粗略到精細(xì)的網(wǎng)絡(luò)結(jié)構(gòu)，第一個網(wǎng)絡(luò)用于初始的粗略預(yù)測，第二個網(wǎng)絡(luò)將預(yù)測作為輸入獲得更高質(zhì)量的修復(fù)結(jié)果。現(xiàn)有的深度學(xué)習(xí)方法能夠在缺失的區(qū)域生成連貫的結(jié)構(gòu)，但新生成的缺失區(qū)域會產(chǎn)生偽像，以及紋理邊緣可能不連續(xù)等情況。因此對于土色的兵馬俑模型，可根據(jù)其表面的紋理變化修復(fù)圖像。

針對三維網(wǎng)格結(jié)構(gòu)性修補(bǔ)后表面紋理缺失問題，本文融合三維結(jié)構(gòu)修補(bǔ)和二維紋理修復(fù)，基于傳統(tǒng)幾何修補(bǔ)算法與深度神經(jīng)網(wǎng)絡(luò)，提出三維文物孔洞修復(fù)方法，該方法能夠在補(bǔ)全孔洞三維信息的同時修復(fù)紋理信息，產(chǎn)生有紋理的高分辨率模型。此外針對二維圖像修復(fù)，改進(jìn)Edge Connect網(wǎng)絡(luò)，添加精細(xì)化網(wǎng)絡(luò)，能夠輸出更加細(xì)節(jié)的圖像，使得修復(fù)后的文物表面顏色紋理信息過渡更加自然。文中以有孔洞的兵馬俑為例，分為四個階段對其進(jìn)行修復(fù)。

2 方法描述

2.1 結(jié)構(gòu)和紋理融合的三維文物孔洞修復(fù)方法

本文提出的三維文物孔洞修復(fù)方法流程圖如圖1所示。首先，應(yīng)用孔洞檢測算法檢測三維兵馬俑模型孔洞；接著使用geomagic獲得二維紋理圖像，在定位孔洞位置和獲得二維圖像后，獲得包含孔洞的圖像和網(wǎng)格塊；其次，利用基于徑向基函數(shù)的方法完成三維網(wǎng)格模型的結(jié)構(gòu)性修復(fù)。但是新生成的三維網(wǎng)格結(jié)構(gòu)缺少紋理信息，因此本文針對兵馬俑土色3D模型，基于Edge-Connect［19］網(wǎng)絡(luò)結(jié)構(gòu)，增加精細(xì)化網(wǎng)絡(luò)，利用改進(jìn)后的基于邊緣預(yù)測的網(wǎng)絡(luò)對二維圖像進(jìn)行紋理修復(fù)，能夠獲得更加精細(xì)化的修復(fù)結(jié)果。為融合三維和二維修復(fù)結(jié)果，本文采用Mudbox軟件，將修復(fù)后的二維紋理修復(fù)結(jié)果映射回三維表面。最后，將具有結(jié)構(gòu)信息和表面紋理信息的三維模型補(bǔ)丁和原始模型合并，以獲得完整的修復(fù)結(jié)果。

圖1 三維文物孔洞修復(fù)方法流程圖Fig.1 Flow chart of 3D cultural relic hole repair method

2.2 孔洞檢測

一個破損的兵馬俑三維模型可能會有多個孔洞存在于不同位置。由于拓?fù)湫畔⒌娜笔?，在修?fù)模型之前準(zhǔn)確檢測孔洞具有一定的挑戰(zhàn)性。

本文針對三維網(wǎng)格模型進(jìn)行孔洞檢測，網(wǎng)格模型由多個三角網(wǎng)格鑲嵌構(gòu)成。如圖2所示，與三角網(wǎng)格頂點(diǎn)相連接的三角形稱為鄰接三角形，同一個三角形網(wǎng)格中一條邊的兩個頂點(diǎn)互為鄰接點(diǎn)。根據(jù)三角形原理，完整的三維網(wǎng)格模型頂點(diǎn)的1-鄰接三角形與1-領(lǐng)域點(diǎn)的數(shù)量相等。因此我們利用該性質(zhì)獲得孔洞的邊界點(diǎn)集合B={Vi}（i表示第i個頂點(diǎn)），假設(shè)三角網(wǎng)格頂點(diǎn)V的鄰接三角形集合為AT={T|V∈T}，V的鄰接點(diǎn)集合AP={P|?T，V∈T，P∈T}，其中P是三角網(wǎng)格中異于V的點(diǎn)，T表示一個三角網(wǎng)格（如圖2）。通過計算頂點(diǎn)V的鄰接三角形集合AT和鄰接點(diǎn)集合AP識別孔洞，當(dāng)AT≠AP時，將點(diǎn)V加入邊界點(diǎn)集合B。由于孔邊界是閉合多邊形，因此沿著確定的頂點(diǎn)V追蹤?quán)徲蛉切渭螦T的頂點(diǎn)，當(dāng)邊界點(diǎn)集合中的頂點(diǎn)連接構(gòu)成一個閉合的環(huán)時，這些頂點(diǎn)就構(gòu)成一個孔洞。

圖2 孔洞相關(guān)概念示意圖Fig.2 Schematic diagram of related concepts of holes

2.3 基于徑向基函數(shù)的三角網(wǎng)格修復(fù)方法

在進(jìn)行孔洞檢測之后，本文采用基于徑向基函數(shù)的三角網(wǎng)格孔洞修復(fù)方法［20］。該方法在修復(fù)時考慮了孔洞周圍的三角網(wǎng)格特征信息，因此生成的孔洞區(qū)域和周圍鄰域有很好的過渡。首先通過基于特征面的填充方法生成孔洞區(qū)域的三角面片。其次利用徑向基函數(shù)建立新三角面片和孔洞鄰域的曲面方程。最后根據(jù)曲面方程，將新生成的三角面片頂點(diǎn)調(diào)整至擬合的曲面上，使得生成的三角面片曲率符合其鄰域的變化。具體流程圖如圖3所示。

圖3 結(jié)構(gòu)性修復(fù)方法的示意圖Fig.3 Flow chart of the structural repair method

2.4 基于邊緣預(yù)測的二維紋理修復(fù)方法

為補(bǔ)全三維孔洞拓?fù)浣Y(jié)構(gòu)的同時保留秦始皇兵馬俑文物模型表面顏色和紋理信息，本文采用改進(jìn)的圖像修復(fù)深度神經(jīng)網(wǎng)絡(luò)。受EdgeConnect的啟發(fā)，添加精細(xì)化網(wǎng)絡(luò)，改進(jìn)后的網(wǎng)絡(luò)能夠產(chǎn)生更加精細(xì)的兵馬俑表面的細(xì)節(jié)信息。網(wǎng)絡(luò)示意如圖4所示，該網(wǎng)絡(luò)基于對抗生成網(wǎng)絡(luò)（Generative Adversarial Networkd，GAN），GAN由生成器和鑒別器組成，生成器用于預(yù)測結(jié)果，鑒別器負(fù)責(zé)判斷結(jié)果是否真實(shí)。網(wǎng)絡(luò)整體可分為兩個部分：邊緣預(yù)測網(wǎng)絡(luò)（Edge Predict Network，EPN）和紋理修復(fù)網(wǎng)絡(luò)（Texture Inpaint Network，TIN）。第一階段用于預(yù)測缺失圖像的邊緣，首先保證邊緣的完整性，第二階段包含兩個生成器和一個鑒別器，目的是輸出更高分辨率的圖像修復(fù)結(jié)果。

EPN輸入缺失模型邊緣圖，生成孔洞區(qū)域的預(yù)測邊緣，而TIN使用EPN預(yù)測的邊緣圖像指導(dǎo)缺失圖像紋理的修復(fù)。TIN具體由粗略網(wǎng)絡(luò)（TIN1）和細(xì)化網(wǎng)絡(luò)（TIN2）兩個子網(wǎng)絡(luò)組成。需要說明的是，EPN網(wǎng)絡(luò)和TIN階段的兩個子網(wǎng)絡(luò)都是生成器的作用，目的是根據(jù)輸入生成符合其潛在特征的輸出。三個生成器網(wǎng)絡(luò)如圖5（a）所示，包含下卷積提取特征，擴(kuò)張卷積和殘差塊獲取更多的潛在特征信息，上卷積將潛在特征恢復(fù)至原始大小。

網(wǎng)絡(luò)結(jié)構(gòu)還包含兩個鑒別器網(wǎng)絡(luò)：邊緣鑒別器網(wǎng)絡(luò)（Edge Discriminator Network，EDN）和圖像鑒別器網(wǎng)絡(luò)（Image Discriminator Network，IDN），它們用于判斷預(yù)測的邊緣圖像和修復(fù)圖像是否真實(shí)。其中鑒別使用PatchGAN［21］。網(wǎng)絡(luò)的示意圖如圖5（b）所示。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structures of networks

2.4.1 邊緣預(yù)測網(wǎng)絡(luò)（EPN）

Pgt和Egt是輸入數(shù)據(jù)原始圖像和邊緣圖像，Pgray為兵馬俑的灰度圖像。如圖4所示EPN的輸入包括三個部分：掩碼圖像、缺失的邊緣圖像和灰度圖像。令和Ein=Egt⊙(1-M)分別用來獲得缺失的灰度圖像和邊緣圖像。掩碼圖像M作為修復(fù)區(qū)域的指導(dǎo)基礎(chǔ)，其中1表示缺失區(qū)域，0表示背景區(qū)域。EPN網(wǎng)絡(luò)的輸出為所預(yù)測的邊緣圖像，可以表示為：

圖4 基于邊緣預(yù)測的二維紋理修復(fù)方法示意圖Fig.4 Schematic diagram of 2D texture inpainting method based on edge prediction

EPN基于對抗損失和特征匹配損失聯(lián)合函數(shù)進(jìn)行訓(xùn)練：

其中α和β為正則化參數(shù)，GEPN和DEDN分別表示EPN階段的生成器和鑒別器，?FM為特征匹配損失［22］。和是則表示為EPN的生成器和鑒別器的對抗損失（公式（3）和（4）），本文中定義為最小二乘損失：

2.4.2 紋理修復(fù)網(wǎng)絡(luò)（TIN）

如圖4的下半部分，紋理修復(fù)網(wǎng)絡(luò)具有兩個模塊：粗略網(wǎng)絡(luò)（TIN1）和精細(xì)網(wǎng)絡(luò)（TIN2）。第一階段TIN1的輸入為EPN網(wǎng)絡(luò)預(yù)測的邊緣圖像Eout和不完整的RGB圖像，并輸出初步修復(fù)后的RGB圖像Pcoarse。由于隨著網(wǎng)絡(luò)深度的加深，邊緣預(yù)測圖對于修復(fù)的指導(dǎo)作用逐漸降低，因此為了獲得更精準(zhǔn)的結(jié)果，本文在第二階段TIN2增加了精細(xì)化網(wǎng)絡(luò)，彌補(bǔ)了由網(wǎng)絡(luò)深度造成的部分特征丟失。該網(wǎng)絡(luò)將TIN1輸出的粗略修復(fù)圖像Pcoarse和預(yù)測的邊緣圖像Eout作為TIN2階段的輸入，輸出精細(xì)化的修復(fù)結(jié)果Prefine。需要說明的是，精細(xì)網(wǎng)絡(luò)和粗略網(wǎng)絡(luò)具有相同的網(wǎng)絡(luò)結(jié)構(gòu)。TIN的預(yù)測的輸入可以表示為：

在本文中，經(jīng)過實(shí)驗(yàn)測試，上述參數(shù)設(shè)置為α=1，β=10，a=b=1，c=100，d=1。

TIN網(wǎng)絡(luò)是包含兩個生成器子網(wǎng)絡(luò)和一個鑒別器的端到端網(wǎng)絡(luò)，該階段損失函數(shù)如式（8）～式（10）所示。其中?1損失如式（11），計算缺失的RGB圖像和TIN網(wǎng)絡(luò)預(yù)測的修復(fù)結(jié)果之間的差距。感知損失?perc用于判斷原始圖像和預(yù)測圖像之間的差距（式（12）），而樣式損失?sty則是為了確保除缺失區(qū)域外的有效區(qū)域在修復(fù)前和修復(fù)后的一致性（式（13））。

3 實(shí)驗(yàn)與分析

本文使用的實(shí)驗(yàn)數(shù)據(jù)通過Artect便攜式掃描儀對秦始皇帝陵墓K 9901坑出土的兵馬俑掃描獲取。文中的三維結(jié)構(gòu)性修復(fù)的通過Visual Studio 2019和OpenGL實(shí)現(xiàn)。紋理修復(fù)網(wǎng)絡(luò)基于Pytorch實(shí)現(xiàn)，采用基于邊緣預(yù)測的二維紋理修復(fù)網(wǎng)絡(luò)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試，學(xué)習(xí)速率為10-4，批次大小為8，訓(xùn)練輪數(shù)為1 000 000個epoch，使用Adam優(yōu)化器。實(shí)驗(yàn)硬件具體為i7-7820 CPU/3.6 GHz，64GiB內(nèi)存和RTX TIAN GPU。

3.1 結(jié)構(gòu)性修復(fù)結(jié)果

圖6是基于徑向基函數(shù)的兵馬俑三維網(wǎng)格孔洞修復(fù)結(jié)果，該算法可以為兵馬俑模型的不同部分生成合理的補(bǔ)丁。為提高修復(fù)效率，本文選取兵馬俑的部分區(qū)域進(jìn)行實(shí)驗(yàn)。從圖6中可看出，利用周圍法向量信息調(diào)整后的三角網(wǎng)格補(bǔ)丁可以和孔洞周圍區(qū)域均勻地融合到一起。不論是圖6（a）～6（b）中的小孔洞還是圖6（c）中的較大孔洞，都能產(chǎn)生較好的結(jié)果，說明本文所使用方法的修復(fù)孔洞的魯棒性。除此之外，如圖6（d）～6（e）中三維模型缺乏多個不同大小的孔洞，該算法也可根據(jù)已有特征重建三維表面網(wǎng)格信息。

圖6 基于徑向基函數(shù)的三維結(jié)構(gòu)性修復(fù)結(jié)果Fig.6 3D structural repair results based on radial basis functions

3.2 紋理修復(fù)結(jié)果

3.2.1 兵馬俑數(shù)據(jù)集介紹

由于深度學(xué)習(xí)方法對數(shù)據(jù)量和數(shù)據(jù)形式有一定的要求，針對掃描獲得的三維兵馬俑數(shù)字化模型，首先通過對土色的三維兵馬俑模型執(zhí)行坐標(biāo)轉(zhuǎn)換、旋轉(zhuǎn)和歸一化等操作。對每個兵馬俑樣本保持x軸和y軸不變，繞z軸每旋轉(zhuǎn)10度獲取一張兵馬俑圖像，旨在通過旋轉(zhuǎn)變化進(jìn)行數(shù)據(jù)增強(qiáng)，批量獲得可用于訓(xùn)練的兵馬俑圖像數(shù)據(jù)集。

由于孔洞周圍的像素對缺失區(qū)域的修復(fù)有較大的指導(dǎo)意義，而遠(yuǎn)離孔洞的區(qū)域?qū)π迯?fù)孔洞起到較小的作用。因此為提高訓(xùn)練效率，本文將完整的兵馬俑圖像進(jìn)行裁剪生成512*512的圖像塊，共15 633個包含兵馬俑各個部位的圖像塊（如圖7（a）），其中12 000用于訓(xùn)練，2 633用于測試，1 000用于驗(yàn)證。本文訓(xùn)練過程所使用的掩碼圖像采用的是［25］中所創(chuàng)建的手繪掩碼圖像（如圖7（b））。在訓(xùn)練時，結(jié)合完整的二維圖像和掩碼圖像獲得缺失的待修復(fù)圖像（如圖7（c）），通過使用canny邊緣檢測算法獲得輸入圖像的缺失邊緣圖（如圖7（d））。

圖7 使用canny邊緣檢測算法示意圖Fig.7 Example of using the canny edge detection algorithm

3.2.2 兵馬俑二維圖像修復(fù)結(jié)果

本文網(wǎng)絡(luò)在訓(xùn)練時使用二維兵馬俑圖像數(shù)據(jù)集（如圖8所示），根據(jù)EdgeConnect已訓(xùn)練好的參數(shù)對EPN階段和TIN的第一階段的粗略網(wǎng)絡(luò)TIN1進(jìn)行微調(diào)，然后使用TIN1網(wǎng)絡(luò)獲得的參數(shù)進(jìn)行微調(diào)精細(xì)網(wǎng)絡(luò)TIN2。在生成驗(yàn)證數(shù)據(jù)集時，為兵馬俑的每個二維圖像隨機(jī)生成一個或多個孔洞。

圖8 二維兵馬俑圖像數(shù)據(jù)集Fig.8 2D terracotta warriors and horses image dataset

為驗(yàn)證改進(jìn)方法的有效性，首先針對單個孔洞進(jìn)行修復(fù)，如圖9所示。EPN可從未缺失區(qū)域的顏色紋理特征生成缺失部分的邊緣線，明顯的如圖9第一列。圖9第二列粗略修復(fù)結(jié)果從紋理是連貫的，但是顏色相較于周圍偏黑，但在通過精細(xì)化修復(fù)之后表面更具連貫性，顏色過渡更加自然。此外圖中顯示粗略修復(fù)結(jié)果與原始圖像的有效區(qū)域缺乏明顯的連貫性，無法較好地融合，比如第三列鉚釘處的紋理修復(fù)。

圖9 單個孔洞的二維圖像修復(fù)結(jié)果Fig.9 2D image restoration results of a single hole

3.2.3 定量比較結(jié)果

本文通過定量對比驗(yàn)證添加的精細(xì)化網(wǎng)絡(luò)有助于生成更高質(zhì)量的修復(fù)結(jié)果。在測試時，使用構(gòu)建的兵馬俑二維圖像數(shù)據(jù)集，為兵馬俑二維圖像隨機(jī)生成一個或多個缺失區(qū)域。為驗(yàn)證本文方法的有效性，將兵馬俑數(shù)據(jù)集作為其他圖像修復(fù)方法的輸入，對比的方法包括EdgeConnect［19］、Global&Local［17］和文獻(xiàn)［26］，以及傳 統(tǒng)的修復(fù)方法PatchMatch［11］。為對改進(jìn)后的EdgeConnect網(wǎng)絡(luò)進(jìn)行定量分析，本文采用常見的圖像評估指標(biāo)：PSNR，SSIM和MAE量化模型的性能，數(shù)值的計算通過計算1 000個兵馬俑圖像修復(fù)結(jié)果的平均值所獲得。

表1最后兩行分別顯示了EdgeConnect網(wǎng)絡(luò)和改進(jìn)后的修復(fù)結(jié)果，EdgeConnect網(wǎng)絡(luò)良好的修復(fù)效果得益于基于邊緣的指導(dǎo)。當(dāng)添加精細(xì)化網(wǎng)絡(luò)后，模型在三個評價指標(biāo)上性能均有所提升，證明了改進(jìn)后的網(wǎng)絡(luò)的有效性（PSNR和SSIM越大越好，MAE越小越好），較于Edge-Connect在評價指標(biāo)PSNR、SSIM和MAE性能分別提高0.54%、0.217%和6.52%（PSNR和SSIM越大越好，MAE越小越好）。此外從表中可以看出本文改進(jìn)方法在所有三個指標(biāo)上均優(yōu)于現(xiàn)有方法。其中對比PatchMatch和Global&Local方法，前者方法要優(yōu)于后者，原因在于兵馬俑顏色和紋理變化較少，模型表面具有局部相似性，因此基于補(bǔ)丁匹配的方法可以匹配到高度相似的補(bǔ)丁塊。

表1 不同修復(fù)方法在兵馬俑數(shù)據(jù)集的定量對比Tab.1 Quantitative results of different methods on the Terracotta Warriors fragments

3.2.4 定性比較結(jié)果

圖10是本文改進(jìn)的基于邊緣預(yù)測的二維紋理修復(fù)方法與其他四種方法的定性比較。從圖中可以看出，文獻(xiàn)［26］和PatchMatch能夠生成平滑的紋理，但是對于就有明顯特征變化的圖像，修復(fù)結(jié)果的顏色缺乏一致性。Global&Local在修復(fù)結(jié)果的顏色上也具有較大的差異，無法與原始模型較好地集成。EdgeConnect基于邊緣知道，可以生成平滑合理的圖像，但是仍然存在細(xì)微的差異。添加精細(xì)化網(wǎng)絡(luò)后，網(wǎng)絡(luò)修復(fù)結(jié)果可以和孔洞上下文語義信息較好地融合，證明了本文所提方法的可行性。

圖10 本文改進(jìn)方法和其他方法的定性比較Fig.10 Qualitative comparison between the proposed method and other method

3.3 紋理映射

本文采用Mudbox將二維紋理圖像映射回三維兵馬俑結(jié)構(gòu)修復(fù)后模型的表面。通過將顏色紋理與空間頂點(diǎn)進(jìn)行對應(yīng)，當(dāng)顏色和紋理等信息投射到表面時，會根據(jù)模型的深度產(chǎn)生自動變形，使其更適應(yīng)三維表面曲率變化覆蓋在三維兵馬俑表面。本文利用Mudbox中Projection master功能，導(dǎo)入紋理貼圖，使用移動、旋轉(zhuǎn)、調(diào)節(jié)筆刷半徑等工具將二維信息賦給三維模型，導(dǎo)出修復(fù)后的UV線的JPG文件，并替換掉原始模型的UV文件，得到結(jié)構(gòu)和紋理修復(fù)后的三維兵馬俑模型（如圖11所示）。

圖11 修復(fù)前模型和修補(bǔ)后模型對比Fig.11 Comparison of the model before and after repair

3.4 實(shí)例兵馬俑修復(fù)結(jié)果

在實(shí)際兵馬俑修復(fù)過程中，真實(shí)的缺失掩碼通過Grabcut圖像分割算法實(shí)現(xiàn)圖像孔洞識別。如圖12所示，針對缺失圖像進(jìn)行二維孔洞檢測，通過自定義前景和背景區(qū)域?qū)⒖锥磪^(qū)域分割獲得掩碼圖像。

圖12 使用GrabCut識別孔洞并生成掩碼圖像Fig.12 Use GrabCut to identify holes and generate mask images

在真實(shí)修復(fù)時，通過輸入缺失的兵馬俑圖像和對應(yīng)的掩碼圖像獲得修復(fù)結(jié)果。如圖13所示，圖中為本文所提方法在三維兵馬俑中的實(shí)際應(yīng)用。圖13（a）為修復(fù)前的三維兵馬俑模型，需要說明的是，在修復(fù)由于腐蝕導(dǎo)致的表面凹陷問題時，首先將原有凹陷區(qū)域刪除來制造孔洞，然后重新生成新的三角網(wǎng)格。圖13（e）的結(jié)構(gòu)性修復(fù)生成的三角網(wǎng)格與孔洞周圍網(wǎng)格的密度保持一致，不會產(chǎn)生自交重疊現(xiàn)象。圖13（f）的紋理修復(fù)可基于有效的紋理像素特征信息，生成符合圖像分布的新的內(nèi)容。最終為保留原始模型信息，提取修復(fù)結(jié)果中孔洞補(bǔ)丁和原始模型合并，整體修復(fù)結(jié)果如圖13（b）所示，圖中可以看出肩膀的凹陷處在修復(fù)后變?yōu)槠交谋砻?。對于網(wǎng)格數(shù)量較大的兵馬俑來說，將其進(jìn)行碎塊化修復(fù)并合并在一起能夠有效的提高三維兵馬俑修補(bǔ)效率，并生成合理的修補(bǔ)結(jié)果。實(shí)驗(yàn)證明本文所提方法可有效的補(bǔ)全兵馬俑模型的三維結(jié)構(gòu)，并且保留表面的顏色紋理信息。

上述實(shí)例展示了由于自然腐蝕所造成的表面凹陷的單個孔洞修復(fù)結(jié)果。在實(shí)際修復(fù)過程中，兵馬俑模型可能在不同位置存在多個孔洞，例如由于侵蝕、拼接等造成的表面凹陷和不連貫。因此本文進(jìn)行了另外兩組不同的實(shí)驗(yàn)以驗(yàn)證所提出的框架。

圖14中實(shí)例為兵馬俑模型中由于早期的人為標(biāo)記造成的文物三維表面不完整（如圖14（a））。最終修復(fù)結(jié)果如圖14（b）所示，類似于腐蝕造成的孔洞，需要刪除原始的區(qū)域制造孔洞。更多的細(xì)節(jié)可以在圖14（c-f）找到，由于人工標(biāo)記較小，因此從圖14（b）中的修復(fù)結(jié)果看出，修復(fù)后的表面顏色信息能夠平滑地過渡到未缺失區(qū)域。

圖14 人為因素造成的表面不完整Fig.14 Surface incompleteness caused by human factors

圖15中顯示了由于掃描原因造成的自然孔洞實(shí)例修補(bǔ)結(jié)果。該兵馬俑表面上包含許多不規(guī)則的孔洞（如圖15（a））。圖15中的結(jié)果顯示，本文所提框架能夠基于未缺失部分的有效信息提取潛在特征，并使用所提網(wǎng)絡(luò)預(yù)測缺失區(qū)域的特征信息，能夠高效率地生成修復(fù)結(jié)果。

圖15 人為因素造成的表面不完整Fig.15 Surface incompleteness caused by human factors

3.5 其他實(shí)驗(yàn)

為證明損失函數(shù)的必要性，本文針對TIN階段的損失函數(shù)展開研究。（1）第二階段只有最小二乘對抗生成網(wǎng)絡(luò)損失函數(shù)?GAN；（2）損失函數(shù)包括?GAN和?1損失函數(shù)；（3）在b損失函數(shù)的基礎(chǔ)上添加感知損失函數(shù)?perc；（4）添加風(fēng)格損失?sty之后的聯(lián)合損失函數(shù)，包含EPN、TIN1和TIN2。如表2結(jié)果所示，隨著損失函數(shù)的增加，該網(wǎng)絡(luò)模型修復(fù)效果逐漸提高。原因在于四個損失函數(shù)具有不同的作用，對抗生成損失函數(shù)為了使網(wǎng)絡(luò)生成更加真實(shí)的修復(fù)結(jié)果，?1損失函數(shù)判斷修復(fù)結(jié)果和缺失圖像之間的差距，感知損失函數(shù)?perc則保證真實(shí)圖像和修復(fù)圖像之間更加的接近，風(fēng)格損失函數(shù)?sty則為了確保修復(fù)結(jié)果中的未缺失區(qū)域沒有特征信息的損失。

表2 TIN階段使用不同損失函數(shù)的定量對比Tab.2 Quantitative comparison of different loss functions used in the TIN stage.

4 結(jié) 論

三維文物修復(fù)問題是當(dāng)前文物保護(hù)的重要科研方向，針對三維文物虛擬修復(fù)問題，本文提出一種結(jié)合三維結(jié)構(gòu)性修復(fù)和二維圖像修復(fù)的秦始皇兵馬俑孔洞修復(fù)方法，并希望對其他文物的虛擬修復(fù)工作有一定的啟發(fā)作用。該方法能夠修復(fù)三維物理結(jié)構(gòu)的同時保留表面紋理信息。首先通過對三維文物進(jìn)行孔洞識別，采用基于徑向基函數(shù)的方法修復(fù)孔洞，能夠得到平滑的曲面。在紋理修復(fù)中，通過改進(jìn)EdgeConnect網(wǎng)絡(luò)，為提高修復(fù)效果，在第二階段添加精細(xì)化網(wǎng)絡(luò)，基于邊緣預(yù)測對兵馬俑二維紋理圖像進(jìn)行修復(fù)，引入精細(xì)化網(wǎng)絡(luò)生成更連貫的紋理信息。結(jié)合三維修補(bǔ)和二維修復(fù)，最終能夠生成更具有表面真實(shí)性、紋理連貫性和結(jié)構(gòu)完整性的文物。實(shí)驗(yàn)結(jié)果表明，本文方法在處理具有多個不規(guī)則形狀缺失區(qū)域的三維文物領(lǐng)域中，能夠產(chǎn)生良好的結(jié)果。