Recovering Construction Logic from Chinese Key Fret Patterns through Joint Primitive and Grammar Inference
本文提出了一种原语语法协同推理方法，该方法无需针对特定任务进行训练，即可从中国键谱模式中恢复可执行的构建逻辑与可复用的设计参数，从而为遗产记录与复用提供更紧凑且可编辑的表示形式。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几个世纪以来，工匠们用错综复杂的几何设计充实了世界，从古代中国陶器上蜿蜒的边饰，到家具和纺织品上重复出现的图案。这些被称为“回纹”（key-fret patterns）的设计，是由简单的直角转弯和直线构成的，通过复杂且对称的方式进行重复。对于人类观察者来说，这些图案既美丽又富有意义；但对于计算机而言，它们往往只是一张白底黑线的扁平图像。传统的数字化方法可以精确地描绘线条，将照片转化为数字绘图。然而，这些方法将每一条线都视为一个独立的、互不相关的对象。它们未能理解，整个设计实际上是由少数可重复使用的构建模块通过复制、旋转和镜像生成的。由于缺乏这种理解，数字档案仅仅是一张图片；它无法被编辑、重建，也无法被真正理解为一套构建规则。
湖南大学与香港城市大学的研究团队开发了一种看待这些图案的新方法。他们不再仅仅是描摹线条，而是试图逆向工程出原始设计师所使用的逻辑。他们将这一过程称为“原语-语法协同推理”（primitive–grammar co-inference）。简单来说，计算机在观察扫描图像的同时，会同时询问两个问题：“这里的基本形状是什么？”以及“这些形状是如何组合在一起的？”它不仅仅是在画线，而是在识别出某个特定的转角形状被使用了四次，或者整个部分是通过将另一部分翻转而成的。随后，系统会编写一套指令集，即一个程序，能够从零开始重建该图案。这个程序是紧凑且可编辑的，并揭示了视觉形式背后隐藏的规则。
研究人员在230种不同的图案上测试了他们的方法，涵盖了从完美的计算机生成图像到带有划痕和不规则线条的真实世界陈旧文物照片。他们将自己的方法与现有的工具进行了对比，这些工具要么只是简单地描摹图像，要么是在完成描摹后才尝试寻找规律。结果表明，这种联合方法在寻找底层结构方面表现得更为出色。虽然旧工具在绘制线条的准确度上与之相近，但它们忽略了线条之间的联系。新方法成功识别出重复的形状实际上是同一个原型（prototype）的副本，并且对称的部分是通过反射或旋转等特定操作创建的。在测试中，新系统在约7く76%的情况下正确识别了构建规则，而表现最好的替代方法仅能达到约34%。
或许最显著的发现是，这种方法产生了一种更高效的数字表示形式。因为系统识别出了形状的重复性，它不需要存储每一个副本的坐标。相反，它只存储一次形状，并加上一条规则，例如“将此复制四次”。与标准的描摹方法相比，这种方法将描述图案所需的独立数据点减少了一半以上。这种效率非常重要，因为它使数字文件更小，更重要的是，更容易进行处理。如果设计师想要改变图案中线条的宽度，他们可以调整单个“原型”形状，计算机就会自动更新该形状在设计中的所有实例。如果他们想改变间距，则可以调整控制重复的规则。
研究还强调了避免过早做出决策的重要性。传统方法通常先选择一种绘制线条的方式，然后再尝试在固定的绘图中寻找规律。如果初始绘图将一个重复单元拆分成了两个独立的碎片，计算机就永远无法意识到它们原本是一个整体。新方法通过在开始阶段保持多种可能性来避免这一陷阱。它会考虑线条可能组合成图形的不同方式，并在检查每种解释对图像的契合度以及所得规则的简洁性后，才会最终确定最佳解释。这种灵活性使得系统能够恢复复杂的结构，例如那些经过重复并旋转的图案，而其他方法在面对此类图案时往往无法识别。
研究人员发现，即使输入图像并不完美，这种方法依然有效。无论图案是来自高质量的矢量文件，还是来自一张带有残缺部分的破损陶瓷砖照片，系统都能推断出可能的构建逻辑。这是通过权衡视觉证据与规则的简洁性来实现的。如果一个图案看起来是由重复形状构成的，那么即使图像存在微小的缝隙或轻微的变形，系统也会倾向于选择这种解释。这项研究证实，仅仅依靠准确的描摹不足以恢复设计的逻辑。要真正保护和利用这些历史装饰纹样，我们需要恢复创造它们的“可执行指令”，将静态图像转变为动态的、可编辑的规则集。这项工作为记录文化遗产提供了一种新途径，确保这些古老图案的构建逻辑不会失传，而是以一种可以被研究、修改和理解的形式得以保存。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。