官方网站-首页

【导语】1952年，新中国首次受邀参加奥运会，五星红旗在奥运村升起的珍贵瞬间因技术限制仅以黑白影像留存。然而，在“2024中国·AI盛典”上，借助人工智能技术，这一历史时刻以栩栩如生的彩色影像重现，令人仿佛穿越时空。AI技术不仅让这一振奋人心的时刻再次生动展现，更为经典影视作品的高质量修复提供了可能。中国传媒大学人工智能系副教授陶竹林及其团队，正致力于利用AI技术修复包括“四大名著”在内的经典影视作品，让红色基因与优秀文化得以传承。尽管面临诸多挑战，AI助力经典影像修复的前景依然广阔。

1952年，新中国成立不到三年之时，第一次受邀参加奥运会。当中国奥运代表团几经波折抵达赫尔辛基后，他们做的第一件事，便是在奥运村升起五星红旗。这一珍贵的历史时刻通过影像得以记录、保存，成了见证我国开启奥运之路的珍贵回忆。然而，囿于当时的技术条件，原始版本的影像只能以黑白形式留存。随着人工智能（AI）技术的快速发展，在“2024中国·AI盛典”上，我们得以看到这一珍贵时刻的彩色影像，栩栩如生、生动再现，每个动作、每张笑脸，仿佛一下把我们拉回到了当时的场景。

让历史穿越时空

在《1952奥运》视频中，当鲜艳的五星红旗高高扬起，当年轻的笑脸清晰重现，AI技术让这一振奋人心的伟大时刻，穿越时空再一次栩栩如生地展现在我们面前。

“很多珍贵经典(diǎn)影(yǐng)像(xiàng)受(shòu)到(dào)当(dāng)时(shí)拍(pāi)摄(shè)条(tiáo)件(jiàn)、保(bǎo)存(cún)条(tiáo)件(jiàn)的(de)限(xiàn)制(zhì)，存(cún)在(zài)划(huà)痕(hén)、霉(méi)斑(bān)、分(fēn)辨(biàn)率(lǜ)不(bù)足(zú)等(děng)问(wèn)题(tí)，不(bù)符(fú)合(hé)当(dāng)前(qián)观(guān)影(yǐng)的(de)质(zhì)量(liàng)要(yào)求(qiú)。传(chuán)统(tǒng)人(rén)工(gōng)+工(gōng)具(jù)的(de)修(xiū)复(fù)方(fāng)法(fǎ)一(yī)方面效率低下，另一方面质量达不到要求。”陶竹林表示。

AI技术的快速发展为这一问题提供了新的“解”。

通过深度学习与智能算法，AI技术为高质量、高效率的经典影像修复提供了可能。结合画质智能增强、色彩还原、音频同步修复等手段，AI技术能够助力经典影像焕然一新。

在中央广播电视总台音像资料馆主导推进的“智能影像修复任务”中，陶竹林团队(duì)与(yǔ)南京理工大学唐金辉团队合作参与了多项经典影像修复工作，《1952奥运》视频便是其中浓墨重彩的一笔。

“修复过程包括图像修复、图像上色、视频增强等阶段，最终实现了图像和视频质量的极大提升。”陶竹林的博士研究生翟艳介绍道。

具体而言，在图像修复阶段，针对老旧黑白图像中普遍存在的噪声、划痕及脏点问题，采用先进图像复原技术完成了图像的去噪、去划痕和脏点处理，有效提升了图像的清晰度和结构的完整性。

在图像上色阶段，基于图像修复基础，引入自动上色方法对图像进行初步着色，并通过人工优化，修复色彩不准确、边缘溢色等问题，最终实现真实感强、视觉效果自然的彩色图像生成。

在视频增强阶段，首先基于上色后的首尾帧图像，通过颜色传播方法实现整段视频的自动上色，确保颜色在时间维度上的连续性和一致性。随后采用深度学习方法完成视频的超分辨率重建，提升视频整体清晰度，从而实现完整视频的视觉增强。

“通过上述策略和方法，我们有效地在动态视频场景中实现了颜色的连续追踪与准确匹配，确保如旗帜飘动、人物行进等变化过程的色彩保持一致；同时，实现了特定区域的定向上色处理，满足对重要物体或场景的个性化修复需求，带来了更高的还原度与艺术表现力。”陶竹林介绍道。

让优秀文化鲜活留存

除再现重要历史时刻，AI技术还能助力经典影视作品活力焕新。“四大名著”是我国文学史中的经典作品，也是世界宝贵的文化遗产之一。根据“四大名著”改编的经典影视作品不胜枚举，从20世纪80年代一直跨越至今。

这些经典的影视作品成为一代又一代人的难忘记忆，也成为世界了解中国文化的重要窗口。然而，随着拍摄技术的不断精进，以及荧幕分辨率的逐渐提升，很多经典影像显得“格格不入”，无法满足当今高质量的观影要求。

如何让经典影像跟上时代的脚步，更好地实现文化传承与发展？AI技术给出了答案。

“AI助力经典影像修复的具体步骤包括总结分析、模型搭建、数据训练、实际修复等几个阶段”，翟艳介绍。

操作过程中，首先需要对影像中常见的退化问题进行系统性总结，包括图像噪声、划痕、模糊和分辨率低等。接着，基于这些分析构建模拟真实退化过程的退化模型，为后续训练提供有效的数据支撑。在此基础上，调研当前主流图像修复技术，优选基于扩散模型的图像生成方法，并结合所构建的退化数据，对模型进行有针对性的重新训练，从而更好地适应经典影像的修复需求。

“比如，图像修复环节主要采用扩散模型去除噪声和划痕，并结合超分辨率重建技术提升图像清晰度与细节表现力。在视频修复方面，则引入结合运动特征的扩散模型，有效处理视频中不同帧之间变化带来的时序不一致问题，同时实现去噪与划痕修复；在此基础上，根据修复目标，进一步集成上色算法与分辨率增(zēng)强(qiáng)模(mó)型(xíng)，实(shí)现(xiàn)视(shì)频在视觉效果与色彩层次上的整体提升。”陶竹林补充道。

团队正在参与开展的“四大名著”修复工作便为经典影像的清晰重现提供了解决方案。

以《西游(yóu)记(jì)》为(wèi)例(lì)，为(wèi)实(shí)现(xiàn)影(yǐng)像(xiàng)整(zhěng)体(tǐ)视(shì)觉(jué)质(zhì)量(liàng)的(de)提(tí)升(shēng)，团(tuán)队(duì)针(zhēn)对(duì)不(bù)同(tóng)类(lèi)型(xíng)片(piàn)段(duàn)的(de)结(jié)构(gòu)特(tè)征(zhēng)，设(shè)计(jì)并(bìng)实(shí)现(xiàn)了(le)一(yī)套(tào)差(chà)异(yì)化(huà)的(de)视(shì)频(pín)修(xiū)复(fù)策(cè)略(è)。

具(jù)体而言，将影像拆分成以背景场景为主和以人物面部细节为主的视频片段，采取差异化的修复策略，更好地满足不同的修复需求。

对于以背景场景为主的视频片段，重点关注帧间时序一致性，通过对连续帧之间的变化规律进行建模，实现画面在运动状态下的稳定还原，有效避免闪烁与结构漂移问题；而对于以人物面部细节为(wèi)主的(de)片(piàn)段(duàn)，则(zé)侧重于提升图像的纹理细节和真实感，使修复结果在视觉上更具表现力。

此外，“为了进一步改善整体修复效果，我们对视频内容进行分段处理，并结合片段拼接与融合技术，有效解决了统一模型难以兼顾不同片段特征的问题，确保整段视频(pín)在(zài)风(fēng)格(gé)与(yǔ)质量上的一致性。”陶竹林补充道。

在AI大模型技术快速发展的背景下，团队还据此整理并建立了面向特定历史影视作品的近景图像数据集，为模型训练提供了极具代表性的训练样本。

让红色基因得以传承

经典影视作品还承载着传承优秀文化，赓续红色精神的重要使命，其中，20世纪60年代的经典电影作品《雷锋》便是这样一部激励一代又一代人成长的杰出作品。

原版影片以黑白方式呈现，而经过AI修复后的彩色4K版影片，更好地还原了当时的场景与人物细节，目前已经在多个地方点映。

在修复过程中，团队采取了简单镜头与复杂镜头差异化的修复方案。“在部分简单镜头的处理中，针对(duì)自(zì)然(rán)景(jǐng)物(wù)、读(dú)书(shū)看(kàn)报(bào)等(děng)静(jìng)态(tài)场(chǎng)景(jǐng)，采用(yòng)常(cháng)规(guī)图(tú)像(xiàng)上(shàng)色(sè)算(suàn)法(fǎ)即(jí)可(kě)实(shí)现(xiàn)较(jiào)高(gāo)质(zhì)量(liàng)的(de)着(zhe)色(sè)，实(shí)现(xiàn)边(biān)缘(yuán)过(guò)渡(dù)自(zì)然(rán)、无(wú)明(míng)显(xiǎn)色(sè)彩(cǎi)异(yì)常(cháng)的(de)稳(wěn)定(dìng)效(xiào)果(guǒ)。”翟(dí)艳(yàn)介(jiè)绍道，“而针对复杂镜头，普通上色方法却容易出现颜色漂移、边界溢色等问题。”

对此，对于光线昏暗、室内结构复杂、人物较多或场景发生渐变的镜头，团队创新提出对每一段片段提取关键帧进行精细化上色处理的方法，同时，结合帧间插值技术提升时序一致性，有效缓解了错上色与漏色现象，实现了整体视觉效果的显著提升。

修复过程中的另一个难点，则是如何处理人物快速运动或人物数量众多等高动态镜头。“我们在增加关键帧数量的基础上，引入了人工修复机制，对易被忽略的细节区域（如快速移动的人物轮廓、遮挡区域）进行手动精修，确保色彩还原的准确性与视觉自然度。”陶竹林介绍。

AI助力经典影像修复
仍存在诸多难点

“合理利用AI技术，不但可以让大家重温经典，接受爱国主义教育熏陶，还可以更好地传承中华优秀文化，增强文化自信。”陶竹林表示。然而，尽管AI助力经典影像修复已经实现了显著发展，但仍面临诸多挑战。

比如模型的泛化能力不足。当前模型大多依赖人工设计或理想化的退化模拟，难以全面覆盖经典影像的真实退化情况，导致在实际应用中泛化能力不足。效率和精度的平衡问题同样凸显。对于高分辨率图像的修复需要处理大量数据，对计算资源提出了很高的要求。此外，还面临AI大模型快速发展的通用问题，数据获取难度大。高质量的训练数据集对于基于深度学习的方法尤为重要，但获取大规模、标注精确的数据并非易事。

对此，陶竹林认为，影像修复领域未来将在作用机制、数据训练、技术融合等方面实现进一步发展。就作用机制而言，深度学习应与传统修复方法相结合，各自发挥优势；同时，针对不同用户需求和场景特点的个性化修复解决方案也尤为重要。就数据训练而言，应引入大规模真实退化影像数据，进一(yī)步(bù)提(tí)升(shēng)AI模(mó)型(xíng)对(duì)于(yú)复(fù)杂(zá)退(tuì)化(huà)的(de)适(shì)应(yīng)性(xìng)和(hé)泛(fàn)化(huà)能(néng)力(lì)。就(jiù)技(jì)术(shù)融(róng)合(hé)而(ér)言(yán)，借(jiè)助(zhù)大(dà)数(shù)据(jù)与(yǔ)云(yún)计(jì)算(suàn)，能(néng)够(gòu)更(gèng)高(gāo)效(xiào)地(de)处理大规模影像数据，从而实现修复效果的进一步提升。

采访专家：陶竹林（中国传媒大学人工智能系副教授）

撰文：记者 贾朔荣

编辑：段大卫