Restaurierung historischer Dokumente durch Künstliche Intelligenz

Die Wiederherstellung historischer Dokumente mithilfe von KI

Historische Dokumente sind unverzichtbare Quellen für unser Verständnis der Vergangenheit. Doch der Zahn der Zeit nagt an diesen wertvollen Zeugnissen: Fehlende Zeichen, Papierbeschädigungen und Tintenfraß beeinträchtigen ihre Lesbarkeit und gefährden ihren Erhalt. Während sich bisherige Verfahren der Dokumentenverarbeitung auf Techniken wie Binarisierung und Verbesserung der Bildqualität konzentrierten, eröffnet die Künstliche Intelligenz (KI) nun neue Möglichkeiten zur Rekonstruktion des ursprünglichen Erscheinungsbildes.

Die Herausforderung der Restaurierung

Die manuelle Restaurierung beschädigter Schriftzeichen und Hintergründe ist aufwendig und zeitintensiv. Bisherige digitale Methoden zur Dokumentenverarbeitung konzentrieren sich meist auf technische Aspekte wie die Entzerrung, Binarisierung, Verbesserung und Schattenentfernung. Sie berücksichtigen jedoch nicht die semantischen und stilistischen Merkmale der Dokumente, was eine umfassende Rekonstruktion des ursprünglichen Zustands erschwert. Auch spezielle Verfahren zur Restaurierung historischer Texte beschränken sich oft auf die Wiederherstellung einzelner Zeichen oder Textabschnitte und sind daher für die ganzheitliche Dokumentenreparatur ungeeignet. Ein vielversprechender Ansatz zur Bewältigung dieser komplexen Aufgabe bietet die KI.

KI-gestützte Rekonstruktion: Historical Document Repair (HDR)

Ein neuer Forschungszweig, bekannt als "Historical Document Repair" (HDR), widmet sich der Vorhersage des ursprünglichen Aussehens beschädigter historischer Dokumente. Mithilfe von KI-Modellen können fehlende Zeichen rekonstruiert, Papierbeschädigungen behoben und Tintenfraß rückgängig gemacht werden. Dabei ist es entscheidend, dass die reparierten Bereiche nicht nur den Inhalt und Stil der Schriftzeichen korrekt wiedergeben, sondern sich auch harmonisch in den umgebenden Hintergrund einfügen.

HDR28K: Ein Datensatz für das Training von KI-Modellen

Um die Entwicklung von HDR-Methoden voranzutreiben, wurde der Datensatz HDR28K erstellt. Er umfasst 28.552 Paare von beschädigten und reparierten Bildern historischer Dokumente, inklusive Annotationen auf Zeichenebene und verschiedenen Schadensarten. Durch die Verwendung synthetisch erzeugter Beschädigungen, die typische Alterungsprozesse wie Zeichenverlust, Papierbeschädigung und Tintenfraß simulieren, können KI-Modelle effektiv auf die Rekonstruktion trainiert werden.

DiffHDR: Ein KI-Modell zur Dokumentenrestaurierung

Ein vielversprechendes KI-Modell für HDR ist DiffHDR, ein auf Diffusionsmodellen basierendes neuronales Netzwerk. DiffHDR nutzt beschädigte Bilder zusammen mit semantischen und räumlichen Informationen, um das ursprüngliche Aussehen zu rekonstruieren. Ein spezieller "Character Perceptual Loss" sorgt dafür, dass die Inhalte der reparierten Zeichen möglichst originalgetreu wiedergegeben werden.

Vielversprechende Ergebnisse und zukünftige Anwendungen

Erste Tests mit DiffHDR zeigen beeindruckende Ergebnisse. Das Modell ist in der Lage, selbst stark beschädigte Dokumente zu restaurieren und liefert Ergebnisse, die den bisherigen Methoden überlegen sind. Darüber hinaus kann DiffHDR auch für die Bearbeitung von Dokumenten und die Generierung von Textblöcken verwendet werden, was seine Flexibilität und sein breites Anwendungspotenzial unterstreicht. Die Technologie bietet vielversprechende Möglichkeiten für die Erhaltung des kulturellen Erbes und könnte die Forschung im Bereich der Dokumentenverarbeitung revolutionieren. KI-gestützte Tools wie DiffHDR könnten Historikern und Archivaren zukünftig wertvolle Unterstützung bei der Restaurierung und Analyse historischer Dokumente bieten und so unser Verständnis der Vergangenheit bereichern.

Potenzial für Mindverse

Für Mindverse, ein deutsches Unternehmen, das KI-gestützte Content-Tools entwickelt, bieten diese Entwicklungen im Bereich HDR spannende Möglichkeiten. Die Integration von HDR-Funktionalitäten in die Mindverse-Plattform könnte den Nutzern neue Wege zur Bearbeitung und Analyse historischer Dokumente eröffnen. Denkbar sind Anwendungen wie die automatische Rekonstruktion beschädigter Texte, die Erstellung von hochwertigen digitalen Kopien und die Entwicklung interaktiver Lernumgebungen. Durch die Kombination der Expertise von Mindverse im Bereich KI mit den neuesten HDR-Technologien könnten innovative Lösungen für die Erforschung und Vermittlung historischer Inhalte entstehen.

Bibliographie [1] Yang, Z., Peng, D., Shi, Y., Zhang, Y., Liu, C., & Jin, L. (2024). Predicting the Original Appearance of Damaged Historical Documents. arXiv preprint arXiv:2412.11634. [2] https://arxiv.org/html/2412.11634v1 [3] https://yeungchenwa.github.io/hdr-homepage/ [4] https://github.com/yeungchenwa/HDR [5] https://www.aibase.com/tool/35177 [6] https://paperreading.club/page?id=273034 [7] Sulaiman, A., Omar, K., & Nasrudin, M. F. (2019). Degraded historical document binarization: A review on issues, challenges, techniques, and future directions. J Imaging, 5(4), 48. [8] Strlič, M., Grossi, C. M., Dillon, C., Bell, N., Fouseki, K., Brimblecombe, P., ... & De Bruin, G. (2015). Damage function for historic paper. Part II: Wear and tear. Heritage Science, 3(1), 1-11. [9] Assael, Y., Sommerschield, T., Shillingford, B., & de Freitas, N. (2022). Restoring, placing, and dating ancient texts through collaboration between AI and historians. Nature, 603(7902), 419-424. [10] https://www.archives.org.uk/collections-care-toolkit/paper-archives-and-the-agents-of-deterioration