卫常青在npj Heritage Science发表基于批判性生成框架的清宫室内空间AIGC重建方法研究 ——以倦勤斋为例的研究成果
该研究以清代乾隆时期宫廷室内空间典型实例——紫禁城宁寿宫花园倦勤斋为研究对象，在建立高精度SketchUp参考模型与历史文献语义体系的基础上，通过AIGC生成结果与“真实几何基准”的对比分析，系统评估生成模型在整体空间尺度、装饰逻辑与功能语义层面的偏差特征，进而提出一种“批判性生成（Critical Generation）”的人机协同数字复原路径，旨在在保留AIGC创意表达能力的同时，实现符合历史证据与建筑逻辑的数字化重建方法体系。
1. 研究成果
研究发现AIGC生成结果并非随机误差，而呈现出明显的系统性偏差，其总体偏差范围约为 6.5%–40.6%。
在几何层面，生成结果普遍出现空间进深夸张与横向压缩现象，例如戏台进深被放大39.3%，而宽高比被压缩18.3%，二层高度比例降低6.5%，导致立面层级被削弱。藻井面积、壁画高度与围廊装饰比例均被显著放大，装饰区域最高增幅达40.6%，反映出模型在空间表达中倾向强化视觉中心与装饰密度。
在语义层面，生成结果普遍存在装饰复杂度过度增强与历史风格混合现象，呈现出一种“东方宫殿奇观化”的视觉倾向，说明训练数据中存在跨文化表征偏差，使模型更偏向于生成具有观赏性的“视觉符号”，而非符合历史构造逻辑的空间形态。
在功能层面，功能混合Prompt实验表明模型对“居住礼仪空间”与“戏曲演出空间”的空间组织逻辑理解能力有限，存在构件错置与空间语义混乱现象。
对比不同生成方式可知，引入图像引导能够明显改善几何比例控制，使生成结果更接近参考模型。
2. 批判性生成路径验证
基于上述偏差分析，研究提出“批判性生成”三阶段工作流程：
第一阶段为AIGC概念生成，通过语义约束的Prompt快速获得多方案空间原型；
第二阶段为历史校准，以SU模型与文献资料为依据对比例、构件与文化符号进行专家修正，实现从视觉意象到历史一致性的转化；
第三阶段为HBIM整合，将校准后的模型嵌入语义信息与工艺属性，形成可用于保护、研究与展示的数字遗产资产。
验证结果表明，在专家介入的条件下，AIGC可由“视觉生成工具”转化为“研究辅助工具”，有效服务于证据驱动的数字复原过程。
3. 学术价值与创新意义
首先，在方法论层面首次将批判性文化遗产研究视角引入AIGC评价体系，通过建立几何与语义双重基准，实现对生成结果整体空间尺度与文化表达的量化分析，突破了以往仅停留在装饰相似度层面的评价方式。
其次，在技术路径上提出“批判性生成”人机协同复原框架，将AIGC由自主生成转变为专家控制下的研究工具，为生成式人工智能在文化遗产保护中的科学应用提供可复制的流程模型。
再次，在理论层面揭示了生成模型在建筑遗产重建中存在的“奇观化偏差”与跨文化认知偏差，提出通过历史语料加权训练、开放参考基准与HBIM语义嵌入实现文化敏感型生成模型的发展方向。
该研究成果发表于Nature旗下期刊《npj Heritage Science》（SCI 一区TOP），论文以河南省科学院地理研究所为第一署名单位，卫常青为第一作者，孔洞一博士为通讯作者。此项研究得到河南省科学院创新团队(20230103)项目以及河南省科学院基本科研项目（20250601016）的共同支持。
作者简介
卫常青，苏州科技大学建筑学院硕士，与2024年6月入职河南省科学院地理研究所至今，研究方向为建筑遗产保护设计。
孔洞一，毕业于波恩大学地理研究所，地理学博士，2024年6月入职河南省科学院地理研究所至今，研究方向为文化景观数智化，历史地理学。
文章下载链接：
https://doi.org/10.1038/s40494-026-02390-1
本文标准引文格式如下，欢迎参考引用：
Wei, C., Liu, J., Jia, J. et al. A critical Artificial Intelligence-generated content approach for the reconstruction of Qing Palace interiors: the case of Juanqinzhai. npj Herit. Sci. 14, 124 (2026). https://doi.org/10.1038/s40494-026-02390-1
图1.倦勤斋西四间与东五间室内空间模型
图2.倦勤斋戏曲空间中纯文本与图像引导AIGC生成结果的对比
图3.提出的三阶段“批判性生成”工作流程
撰稿：卫常青
初审：任 杰
复审：杜 军
终审：鲁 鹏