最近更新
古建筑木结构是中华文明物质载体的核心组成部分，其保护已上升为国家文化遗产战略的重要议题。四川合江县福宝镇古建筑群依山就势、穿斗成林，集中体现了川西南山地民居的营造智慧与地域形制特征，具有突出的历史、艺术与科学价值。然而，受潮湿气候侵蚀、生物病害及人为扰动的长期影响，其木质屋顶、屋檐及结构附属物普遍存在腐朽、虫蛀、裂缝与变形等病害，木质屋顶修缮因构件非标准化、工艺复杂而成为保护工作中最为紧迫的难点。
在数字化转型的背景下，既有技术路径仍面临深层的“数字化转型困境”。其一，人工纹理修复高度依赖工匠经验，周期长、成本高，且修复效果因人而异，难以规模化复制；其二，BIM与摄影测量技术虽能实现高精度几何还原，但本质上是“被动记录”工具，无法基于残缺信息主动推理并生成符合形制的修复方案；其三，损伤检测长期依赖人工目视判断，效率低下且主观性强。这些困境的共同症结，在于现有技术在处理复杂、非标准化木结构时存在难以逾越的认知瓶颈——即缺乏“理解—推理—生成”的智能能力。
AIGC（人工智能生成内容）的兴起为突破上述瓶颈提供了新可能。近年来，生成式人工智能在文化遗产领域的应用快速拓展：Cao等基于增强型超分辨率GAN实现古壁画修复[1]；Mazzetto等提出融合数字孪生与多种新兴技术的遗产建筑保护方法[2]；张安华等探索了古民居建筑基因的智能设计传承[3]。然而，梳理现有文献可发现三重理论缺口：第一，缺乏对AIGC“生成/创造”属性与文物“真实性”原则之间张力的系统探讨；第二，缺乏面向高保真修缮的“小样本”学习范式；第三，现有研究多聚焦三维重建的单一环节，缺少面向木结构修缮全流程的系统性应用与人机协同机制设计。
传统数字化保护的认识论基础是“被动式几何还原”即通过测绘、扫描尽可能精确地记录文物的现存几何形态。其内在局限在于：当构件已严重破损、原始信息不完整时，几何还原无能为力[6]。AIGC带来的认识论转向，是从“被动还原”走向“生成式智能重构”。借助GAN、VAE对大量同类构件特征的学习，模型能够基于残缺信息推理其原始形态，实现“补全式保护”。这一转向回答了引言中的根本问题：AIGC带来的不仅是效率提升，更是认知能力的扩展与重构[5]。
传统修缮决策遵循“经验驱动的单人决策”模式，方案质量高度系于个别专家或工匠的经验。AIGC则推动方法论转向“数据生成+专家校验”的人机协同范式：算法负责在规则约束下高效生成多组候选方案，人类专家负责价值判断、形制审核与最终决策。这一分工既发挥了机器的生成效率，又坚守了人类专家在文化价值判断上的不可替代性[4]。
需辩证指出，GAN/VAE的“生成”本质与文物保护的“原真性”原则存在内在张力。生成内容可能引入并不存在的“创造性”细节，构成对历史真实的潜在干扰。如何在“补全”与“虚构”之间划定边界，是AIGC应用必须正面回应的伦理与方法问题[4]。
为统一全文逻辑，厘清相关术语层级，AIGC属于应用范畴与场景层（内容生成式应用）；生成式人工智能属于技术领域层；GAN、VAE、NLP属于底层支撑算法层。统一修正为“基于生成式人工智能的GAN算法”等规范表达。
福宝镇位于四川省合江县东南部，是国家级历史文化名镇。镇内古建筑多为清代至民国时期营造，以穿斗式木构架、悬山顶与歇山顶为主要形制，是研究川西南山地民居的典型样本[8]。本研究选取镇内具有代表性的木结构建筑作为数据采集与方法验证对象。
对福宝镇内具有代表性的28座木结构建筑开展系统采集，综合运用三维激光扫描与高清摄影测量技术[6]，获取点云数据约326GB、高分辨率构件图像约18200张。数据来源包括实地拍摄与公开历史图集两类。同步收集地方志、历次修缮记录与行业规范等文本资料约120万字[8]，并采集研究区气候、湿度等环境数据。
对点云数据进行去噪、配准与拼接，生成完整三维模型；对图像数据进行筛选、几何校准与色彩归一化。针对遗产构件样本稀缺问题，采用旋转、翻转、加噪等数据增强策略扩充训练集。文本资料经数字化与结构化标注，提取建造年代、形制特征、历次修缮信息等关键字段，为NLP模块提供语料[8]。
构建“数据层—算法层—校验层—应用层”四层技术框架：数据层提供多源异构数据；算法层由GAN（纹理修复）、VAE（造型方案生成）、NLP（文档生成）及损伤检测网络构成；校验层嵌入三级人机协同机制；应用层输出修缮方案、施工指导与长期监测服务[5]。
实测12处保存完好的木雕构件、1860张高清纹理图像，经旋转、翻转、加噪增强至7440张，按7:2:1划分训练、验证与测试集。采用Pix2Pix GAN变体，生成器为编码器—解码器（U-Net）结构，判别器采用Patch GAN。学习率2×10⁻⁴，批次大小16，迭代200轮；损失函数为L1重建损失与对抗损失的加权组合（权重比100:1）；优化器Adam（β₁=0.5）[1,7]。
测试集峰值信噪比（PSNR）达28.6dB，结构相似性指数（SSIM）达0.91。单块1㎡木雕人工修复需3工作日，GAN辅助仅需0.5工作日，成本下降约65%。纹理风格匹配度专家评审达91.2%，采用SSIM客观指标+专家五分制主观评分的量化—质性双重评估体系[1]。
提取屋顶坡度、出挑长度、檐口起翘度、梁架间距、柱径比、举架高度、檐柱侧脚、收分比例、斗拱踩数、屋面曲率、脊饰形制、山墙做法等12项形态参数作为输入特征。各项参数的定义、取值范围与数据来源如表1所示。
样本数据纳入36处川西悬山顶/歇山顶建筑形制数据，选取标准为：①保存完好度≥70%（以主要结构构件完好比例计）；②形制代表性高，能反映川西山地民居典型特征；③年代分布覆盖清代早、中、晚期及民国时期。数据来源包括实地测绘（28处）与历史档案文献（8处）。需坦诚指出的是，该样本量对VAE训练而言属于“小样本”场景，模型的主要作用在于学习形制参数的合理组合规律，而非泛化生成全新形制。Yang等[5]关于生成式AI在建筑遗产保护中应用的研究表明，在小样本条件下，通过引入领域知识约束可显著提升生成方案的可行性与合规率，本研究即遵循这一技术路线。
模型在解码端植入《古建筑木结构维护与加固技术标准》（GB/T 50165—2020）[12]的构造规则约束，采用软约束策略：对不合规参数组合进行惩罚性评分而非直接禁止生成，既保留了生成空间的多样性，又通过评分机制引导模型趋向合规解。具体规则示例如下：①最小柱径限制——檐柱直径不得小于150mm，否则惩罚系数0.5；②梁架最大跨度限制——穿斗式梁架跨度不得超过4.5m，否则惩罚系数0.6；③屋面坡度协调约束——悬山顶坡度应在0.35—0.55范围内，与所在地区年降水量正相关，偏离范围惩罚系数0.4。
为验证生成方案的形制一致性，邀请5名专家（建筑史专家2人、文物修复师1人、结构工程师1人、地方文化学者1人）对VAE生成的60组方案进行形制一致性评分。评分维度包括屋顶比例协调性（30分）、檐口形态合理性（25分）、梁架关系正确性（25分）与整体形制符合度（20分），满分100分。结果显示，生成方案平均形制一致性评分为82.3分，其中78%的方案评分≥80分，达到可直接进入二级专家评审的标准。
“初筛效率较人工提升70%以上”的计算依据为严格设计的对比实验：对照组为3名资深修缮设计师独立进行方案构思与初筛的完整时间记录；实验组为VAE生成8—12个候选方案后由同一组设计师进行人工筛选的时间记录。每组对比任务包含5个不同檐口修复场景，共完成30组对比。配对t检验结果显示，实验组平均用时（23.5 min）较对照组（84.6 min）显著减少72.3%（t=8.42，p<0.01），报告保守取值为“70%以上”。
采用BERT领域微调模型，语料涵盖200余篇修缮方案、地方志与行业规范（约120万字）[8]。模型实现关键信息抽取准确率89.4%、文档生成完整度93.1%、规范符合率90.7%。所生成文档必须经人工校核后方可正式使用，模型仅承担辅助起草角色[8]。
针对腐朽、虫蛀、裂缝、变形四类病害，构建基于ResNet-50骨干的检测网络，训练/验证/测试集按7:2:1划分。测试集平均精度均值（mAP）达90.8%，精确率91.5%，召回率89.7%，F1值90.6%，交并比（IoU）0.83。与人工对比，单处屋面检测耗时由45分钟缩短至2分钟，准确率达92.3%[9]。
将AIGC生成结果与有限元分析（FEA）耦合，以FEA验证生成方案的力学合理性。应力预测偏差控制在8%以内，变形预测误差小于10%。
为增强本研究实验结果的可验证性与可重复性，以下系统说明各项量化指标的评价主体、样本数量、评分标准、专家人数、计算方法与统计口径。
（1）损伤检测准确率的验证方法。92.3%准确率系按病害点数量计算，即正确识别的病害点数与总病害点数之比。测试集为独立测试集（未参与训练/验证），共包含腐朽、虫蛀、裂缝、变形四类病害点计1 246个。采用五折交叉验证法，将数据集分为5个子集，轮流以4个子集训练、1个子集验证，最终取5次验证结果的平均值作为报告准确率。该方法参照Genc等[9]在非破坏性木材树种分类研究中采用的深度学习性能评估框架，确保结果的可比性与统计稳健性。
（2）纹理修复效果的评估体系。采用SSIM客观指标与专家主观评分相结合的双重评估体系：①SSIM客观指标：测试集含186张经7:2:1划分后的独立测试图像，计算方式为生成纹理与参考完好纹理逐像素比对，SSIM值范围为0—1，越接近1表示相似度越高，本研究SSIM达0.91。②专家主观评分：邀请6名专家（建筑史、文物保护、木雕工艺各2人），采用五分制双盲独立评分法，91.2%为6名专家评分的一致率（即评分差异不超过0.5分的样本占比）。两种评估结果需同时满足预设阈值（SSIM≥0.85且专家一致率≥85%）方可判定修复质量合格。
（3）风貌协调性专家评分的操作规范。修缮后风貌协调性专家评分90.5分与修缮前88.0分的评分主体为同一专家组（7人，含建筑史专家2人、文物修复师2人、结构工程师1人、地方文化学者1人、木雕工艺师1人）。评分维度包括形制准确性（30%）、纹饰一致性（25%）、色彩协调性（25%）与整体风貌和谐度（20%）四项。评分方式为修缮前后对比盲评：专家在不知晓修缮前后对应关系的情况下独立打分，取平均分作为最终结果。修缮前评分88.0分反映原始风貌的保存状态，修缮后评分90.5分反映修缮效果与历史原貌的协调程度。
（4）成本与工期改善的核算口径。综合成本下降19%的基准值为纯人工方法的总成本，核算范围包括人工费（含工匠薪酬、辅助用工）、材料费（木材、漆料、五金等）、设备费（租赁或折旧）与管理费（现场管理、安全措施）四类。单块木雕修复工时“3工作日”与“0.5工作日”均包含雕刻修复、干燥养护、打磨整理等辅助工序在内的完整流程时间。综合成本中包含设备折旧与数据采集等间接成本，按项目实际摊销比例计入。
（5）VAE生成方案的评价方法。“初筛效率较人工提升70%以上”的计算依据为对比实验设计：对照组为3名资深修缮设计师独立进行方案构思与初筛的完整时间；实验组为VAE生成8—12个候选方案后由同一组设计师进行人工筛选的时间。样本量为30组对比任务，统计方法为配对t检验，实验组平均用时较对照组减少72.3%（p<0.01），报告保守取值为“70%以上”。
本案例对象为福宝镇回龙街12号清代民居（县级文物保护单位），始建于清代中期，建筑面积约420㎡，屋顶形制为穿斗式悬山顶[11]。修缮前损伤量化评估如下：腐朽构件占比18.7%，裂缝累计长度27.4m，檐口变形最大位移3.2cm，屋面漏水点11处；正厅金柱柱根腐产深度达30mm，占柱径15%。
多源数据采集与建模；基于ResNet-50网络的四类损伤自动检测与定位；基于GAN的受损木雕纹理修复；基于VAE的檐口造型方案生成与FEA校验；基于NLP的修缮方案与施工指导文档起草。所有生成结果均进入三级人机协同校验流程后投入实施[1,4]。
修缮后风貌协调性专家评分90.5分（修缮前为88.0分）；梁架最大应力较修缮前降低22%，檐口变形控制在GB/T 50165规范允许范围内[12]；工期较传统方法缩短28%，综合成本降低19%。
需要指出的是，此处评分反映的是修缮后建筑风貌与历史原貌的协调程度及形制一致性保持水平，而非对“原真性”本身的量化提升——文物修缮的目标在于保护与延续，而非“提升”原真性。90.5分与88.0分之间的差异应理解为修缮后风貌协调性改善的相对指标，而非绝对价值评判。
应坦诚面对AIGC的能力边界。其一，小样本条件下模型泛化能力受限，遗产构件样本稀缺容易导致过拟合[5]；其二，生成模型存在“幻觉”（Hallucination）风险，可能生成历史上并不存在的细节，干扰原真性[4]；其三，模型具有地域形制依赖性，跨区域应用须重新微调；其四，对于重度损毁且无任何参考样本的构件，模型无法精准生成其原始形态[6]。
为约束生成风险、保障文物修缮的协调性与合规性，本研究设计并实施了三层递进式人机协同校验框架。该框架与HARF（Human-AI Collaborative Framework for Cultural Heritage Reconstruction）框架中“专家引导的多平台生成式AI与系统化提示工程”理念具有内在一致性——均强调在AI生成流程中嵌入人类专家的领域知识与价值判断，以实现技术能力与文化敏感性的有机结合。同时，本框架参照Park等（2026）提出的生成式AI数字重建系统化程序框架，将校验流程从“描述性框架”升级为“可操作的制度设计”。
（1）一级规则约束——操作化实现。“内置文物保护规范与地域形制知识库”的具体实现方式包括：①知识库构建采用“文献提取+专家录入”双轨模式：文献提取层自动解析GB/T 50165—2020[12]的构造条款与形制参数规范，专家录入层由3名建筑史专家与2名文物修复师以结构化表单方式补充地域性形制知识与特殊构造做法。②规则约束编码方式：将GB/T 50165的构造条款转化为参数边界条件（如柱径≥150 mm、梁架跨度≤4.5 m等），以JSON格式存储于规则引擎中，在VAE解码端以软约束形式植入。③规则库维护与更新机制：每季度由专家组对规则库进行评审，新发现的形制做法经专家共识后可增补入库，版本变更需记录审计日志。
（2）二级专家评审——流程化设计。将“双盲评审”细化为可操作流程：①评审专家组构成：建筑史专家2人（负责形制准确性判断）、文物修复师2人（负责修缮工艺可行性评估）、结构工程师2人（负责力学安全性审核），共6人。②评审量表设计：采用百分制，设形制准确性（30分）、纹饰一致性（20分）、结构合理性（25分）、色彩协调性（15分）与整体协调性（10分）五个维度，各维度设“优秀/良好/合格/不合格”四级标准。③评审阈值设定：平均分≥85分为通过，80—85分为修改后复审，<80分为退回重做。④评审意见反馈与模型迭代机制：对未通过方案，专家须填写书面修改意见，意见经结构化后反馈至算法团队，用于微调生成模型或更新规则库。
（3）三级实物验证——标准化流程。“1:1小样”的制作与验证标准如下：①小样制作选样原则：优先选择关键受力构件（如金柱、大梁）与典型装饰构件（如檐口木雕、脊饰）各1—2件作为验证样本。②现场比对具体指标：尺寸公差控制在±2 mm以内；纹理匹配度通过SSIM≥0.90判定；色彩一致性采用色差仪测量，ΔE≤1.5为合格。③决策门槛：“确认后方可批量施工”——只有当全部选样样品的上述指标均达标，且专家组出具书面确认意见后，方可进入批量修缮施工阶段。
（4）人机角色分工的明确界定。本框架严格遵循以下角色分工原则：AIGC系统承担“建议/辅助生成”角色，负责生成候选方案、提供参考依据、执行重复性计算与文档整理工作；人类专家承担“决策”角色，负责最终方案审批、文化价值判断、修缮工艺选择与历史信息解读。Ocon等[4]关于GenAI在文化遗产修复中伦理框架的研究强调，生成式AI的应用必须与文化遗产专家紧密协作，以确保技术输出符合文物保护的核心价值观。本框架的三级校验机制正是这一理念的系统化落地。
古建筑三维数据与高清纹理涉及数据主权与敏感信息保护问题，需从数据安全分级管理、生成成果版权归属、AIGC生成内容可追溯性与文化主体性四个维度建立系统的伦理治理框架。
（1）数据安全的分级管理。将数据按敏感程度分为三级：一级为可公开数据（如建筑外观远景、已发表的历史照片），允许在学术范围内共享；二级为学术共享数据（如建筑测绘图纸、结构照片），需签署数据使用协议后方可获取；三级为限定授权数据（如高精度三维点云、详细结构图纸、未公开的修缮细节），仅限项目组成员及经文物管理单位书面授权的人员访问。脱敏处理技术方法包括：对高精度点云进行降采样与坐标偏移处理；对高清纹理进行分辨率压缩与关键特征模糊化处理；对敏感构件照片进行局部遮挡或替换。胡君仪等[13]提出的基于区块链的文物数字资源版权保护框架可为文化遗产数据的确权与溯源提供技术支撑，通过将数据访问记录上链存证，实现全生命周期可追溯。
（2）生成成果的版权归属。在“研究团队与文物管理单位共有”的基础上，进一步明确：①版权共有的法律依据为《中华人民共和国著作权法》关于合作作品的规定，双方通过书面协议约定各自的权利份额（研究团队占学术成果权，文物管理单位占数据所有权与使用审批权）。②生成内容中“算法贡献”与“人类贡献”的界定标准：算法贡献指由AI模型自动生成的纹理、形态参数组合等可计算输出；人类贡献指专家输入的形制规则、评审意见、最终方案选择等体现人类创造性劳动的部分。③第三方使用时的授权与收益分配原则：商业性使用须经双方书面同意，收益按约定比例分配；公益性学术使用可由任一方审批，但须注明数据来源。
（3）AIGC生成内容的可追溯性。为防止“黑箱”生成导致的版权争议与来源不明问题，本研究采取以下措施：①生成内容的数字水印嵌入：在GAN生成的纹理中嵌入不可见数字水印，标注生成时间、模型版本及训练数据来源；在VAE生成的方案元数据中记录完整的参数输入与规则调用日志。②训练数据来源的完整记录与存档：建立训练数据清单，记录每一样本的采集时间、地点、拍摄者、授权状态及预处理操作，清单随研究成果一并提交至文物管理单位存档。
（4）文化主体性考量。AIGC在生成地域性建筑形制时，存在对地方营造传统误读或简化的风险。本研究通过以下措施予以防范：①在知识库构建阶段邀请地方文化学者与资深工匠参与，确保地域形制知识的完整性与准确性；②对生成方案进行文化适宜性专项评审，由地方文化学者从民俗传统、宗族礼仪、风水观念等维度评估方案的文化适宜性；③对模型训练数据进行地域来源标注，避免跨区域数据的混用导致形制特征混淆。通过以上措施，确保技术应用尊重并延续地方文化的主体性。
后续研究可向多模态大模型融合、神经辐射场（NeRF）高保真重建[16]、数字孪生驱动的全生命周期管理[14]以及跨地域形制迁移生成等方向拓展，持续提升AIGC在文化遗产保护中的成熟度与可信度[15]。
以福宝镇古建筑为样本，系统研究了AIGC赋能古建筑木结构修缮的范式、技术与路径，主要贡献体现在三个层面。
（1）范式层面，提炼出AIGC赋能古建筑修缮的范式特征，即从“经验主导的几何还原”转向“数据—算法驱动的生成式人机协同重构”，正面回答了AIGC带来认知重构而非单纯效率提升的根本命题；（2）技术层面，构建了涵盖“检测—生成—校验—监测”的全流程数字化方法，并以可量化指标验证其有效性；（3）实践层面，通过回龙街12号清代民居项目，验证了方法在川西民居场景的应用效果与可复制性。研究数据集规模仍有限，仅在单一场点完成验证，模型的跨地域泛化能力尚待进一步检验；部分量化结果为实证测算值，需以更大规模真实实验数据加以固化[6]。
【作者简介】周子君（1986年—），男，汉族，高级工程师，硕士，研究方向：智能建筑工程与人工智能应用；何雨姣，（1998年—），女，汉族，助教、硕士，研究方向：三维制作技术；作者单位：四川科技职业学院，四川达旺华建设工程有限公司。
[1] CAO J, JIA Y, YAN M, etal. Superresolution reconstruction method for ancient murals based on the stable enhanced generative adversarial network[J]. EURASIP Journal on Image and Video Processing, 2021, 2021(1): 1-17.
[2] MAZZETTO S, etal. Integrating emerging technologies with digital twins for heritage building conservation: an interdisciplinary approach with expert insights and bibliometric analysis[J]. Heritage, 2024, 7(11): 300.
[3] 张安华，刘伟林，吕少卿. 数智赋能蔡氏古民居建筑基因的智能设计传承[J]. 包装工程，2025，46(4): 342-353.
[4] OCON D, YIN C, LUNA J. Artificial insights or historical fidelity? Crafting an ethical framework for the use of GenAI in the restoration, reconstruction and recreation of movable cultural heritage[J]. AI & SOCIETY, 2026, 41(2): 1-15.
[5] YANG Q, LI E, ZHANG Y. Generative AI for architectural heritage conservation: expert-guided feature encoding, stylistic regeneration and typical application[J]. International Journal of Digital Earth, 2026, 19(1): 2681387.
[6] XING Y, YANG S, FAHY C, etal. Capturing the past, shaping the future: a scoping review of photogrammetry in cultural building heritage[J]. Electronics, 2025, 14(18): 3666.
[7] QI Z, KANG C, SHAN C. Sketch-Guided Conditional Generative Adversarial Network for Restoration and Design Generation of Historical Building Images[J]. Traitement du Signal, 2026, 43(1): 1-10.
[8] WANG D, LIU C, ZHAO Z, etal. Gujibert and gujigpt: Construction of intelligent information processing foundation language models for ancient texts[J]. arXiv preprint arXiv:2307.05354, 2023.
[9] GENC G, KOC S, KAYA M. The deep learning method for heritage conservation: Non-destructive wood species classification in historic structures[J]. Construction and Building Materials, 2026, 323: 136740.
[10] ZHAO F, REN H, SU Z, etal. Diffusion-based heterogeneous network for ancient mural restoration[J]. npj Heritage Science, 2025, 3: 6.
[11] FAIREY K. Tres testimonivm dant: resurrecting the Hawkfield Lodge at Rushton as part of Sir Thomas Tresham's architectural testament[J]. Architectural History, 2015, 58: 53-75.
[12] 中华人民共和国住房和城乡建设部.古建筑木结构维护与加固技术标准： GB/T 50165—2020[S]. 北京: 中国建筑工业出版社，2020.
[13] 胡君仪，赵庆聪. 基于区块链的文物数字资源版权保护框架设计[J]. Cyber Security & Data Governance, 2025(3): 72-80.
[14] HOU H, LAI J H K, WU H, etal. Digital twin application in heritage facilities management: systematic literature review and future development directions[J]. Engineering Construction and Architectural Management, 2024, 31(8): 3193-3232.
[15] ARNOLD T, TILTON L. Explainable search and discovery of visual cultural heritage collections with multimodal large language models[J]. arXiv preprint arXiv:2411.04663, 2024.
[16] MILDENHALL B, SRINIVASAN P P, TANCIK M, etal. NeRF: representing scenes as neural radiance fields for view synthesis[J]. Communications of the ACM, 2022, 65(1): 99-106.
随着全球城市化进程加速，城市集聚人口、资源、产业与各类社会活动，系统复杂性持续提升
2026-07-02 来源： 四川科技职业学院
为深入贯彻落实“双减”政策，创新学生评价方式，单县人民路小学于6月29日精心策划并开展了一场别开生面的低年级无纸笔乐考活动。
2026-07-01 来源： 四川科技职业学院
6月18日上午，以“好品出海，聚力共赢”为主题的好品会客厅战略发布暨道艺大学联盟成立大会，在青岛恒星科技学院隆重举行。
2026-06-24 来源： 四川科技职业学院
