개선된 조건부 생성적 적대 신경망을 기반으로 한 진한 대나무 문서의 문자 복원

진한 대나무 문서(기원전 221년–기원후 220년)는 중국 문명의 귀중한 유물로, 시간이 지남에 따라 상당한 열화를 겪었습니다. 훈련 데이터 세트의 부족은 문자 복원에 어려움을 초래합니다. 이를 해결하기 위해 고대 문자 전문가와 협력하여 텍스트 인식을 위한 전용 데이터 세트를 구축했습니다. 효과적인 문자 윤곽 길이(ECCL) 제약 조건을 갖춘 개선된 조건부 생성적 적대 신경망(GAN)을 제안하여 열화된 문자를 복원합니다. 이 방법은 생성기에서 손상된 문서 이미지를 처리하고 복원된 텍스트를 출력하기 위해 UNet과 ResNet 아키텍처를 통합하며, 다층 합성곱 판별기가 실제 데이터와 생성된 데이터를 구별합니다. ECCL 제약 조건은 생성기의 손실 함수에 도입되어 노이즈 제거 및 구조 보존을 향상시킵니다. 다섯 가지 기준 방법(AF-ECCL, CycleGAN, CID-GAN, Swin Transformer, pix2pix)과의 비교 실험은 피크 신호 대 잡음 비율(PSNR), 구조적 유사도 지수(SSIM), ECCL 비율에서 우수한 성능을 보여주어 제안된 접근 방식의 효과를 검증합니다.