甲骨文（Oracle Bone Inscriptions, OBI）是中國古代文化的重要載體，對研究商周歷史具有不可替代的價值。然而，甲骨文的識別工作長期以來一直面臨巨大挑戰：字形複雜多變、結構不規則，並且由於年代久遠，許多刻痕已經嚴重退化。傳統上，這一工作依賴於考古學家的專業知識進行人工辨識，不僅耗時費力，而且容易出錯。近年來，深度學習技術在通用影像識別領域取得了突破性進展，但應用於甲骨文識別時卻表現不佳，因為現有方法難以捕捉甲骨文中那些細微卻關鍵的紋路特徵。即便是目前最先進的層注意力機制，雖然透過增強層間互動來捕捉細粒度依賴，但在甲骨文識別上的改進依然十分有限。
為了克服這些限制，來自中國的研究團隊提出了一種名為多尺度層注意力（Multi-Scale Layer Attention, MSLA）的新型正規化。MSLA的核心創新在於顯式地建模了多尺度與跨層特徵互動：它不僅關注同一尺度內的細節，還透過在不同空間尺度上融合資訊，豐富了特徵表示中的細粒度細節。這種設計使得模型能夠更準確、更魯棒地識別甲骨文字形，即使面對磨損或部分缺失的刻痕也能保持較高的識別精度。研究團隊在大型甲骨文資料集上進行了廣泛實驗，結果證明MSLA在識別準確率上持續超越現有的多種注意力機制，同時並未顯著增加計算負擔，保持了良好的效率。
這一成果不僅為甲骨文的自動識別提供了新的技術路徑，也展示了計算機視覺技術在人文科學研究中的巨大潛力。未來，研究人員計劃將MSLA擴充套件到其他古代文字識別任務中，並探索其與多模態資料（如拓片照片與三維掃描）的結合，以進一步推動古文字研究的數字化程序。該論文已提交至arXiv，作者包括Chaowen Yan等五位研究人員。