四川省眉山市青神县青神中学校2025届高三下学期模拟预测语文试题（含答案）.docxVIP

2025届高三年级高考全真模拟

语文试题

注意事项：

1．答题前，考生务必用黑色碳素笔将自己的姓名、准考证号、考场号、座位号在答题卡上填写清楚。

2．每小题选出答案后，用2B铅笔把答题卡上对应题目的答案标号涂黑。如需改动，用橡皮擦干净后，再选涂其他答案标号。在试题卷上作答无效。

3．考试结束后，请将本试卷和答题卡一并交回。满分150分，考试用时150分钟。

一、现代文阅读(35分)

(一)现代文阅读I

阅读下面的文字，完成1-5题。(本题共5小题，19分)

材料一：

数字化信息采集为壁画的虚拟修复奠定了数据基础。传统的壁画修复方法需要经验丰富的专家进行分析、临摹、补色等操作，耗时长，费用高，并受主观因素影响。数字图像修复是利用图像修复技术自动还原破损壁画，可实现虚拟修复和虚拟展示，同时为后续人工修复提供参考依据。数字化修复具有追溯性，可一定程度上避免人工修复造成的不可逆伤害。

壁画的保存状况可大致分为机理损坏、结构损坏和内容损坏三个方面。机理损坏指受损区域仅涉及色彩和纹理信息的缺失，通常表现为非造型部位的泥斑、裂缝、起甲，损害程度最为轻微，这种情况可通过数字化修复技术直接进行修复。结构损坏则是指受损区域的造型信息遭受缺失，但仍可通过画面自身信息或其规律进行推断修复，同样可借助数字化直接进行修复，然后由专家观察并评定修复结果，讨论是否需要进一步优化。内容损坏是指损坏区域的信息无法通过画面已知画面信息推断，需要依靠相关资料考证、推测和借鉴来修复画面内容信息，传统的数字图像修复技术在这方面效果有限，但引入深度学习使内容损坏的壁画得以在自动修复方面成为可能。

在传统数字图像修复方法中，基于偏微分方程的图像修复算法利用热扩散原理，通过迭代计算偏微分方程对图像进行建模和求解，将已知图像的像素信息扩散至未知图像，实现图像修复。其中，全变分模型是一种典型的修复模型，该方法适用于修复较小面积的图像缺损，在处理较大面积缺损的图像时，由于缺乏全局信息，修复效果往往不尽如人意。基于纹理合成的图像修复方法是利用有限的搜索空间，在填充纹理之间寻找相似度高的壁画块来修复破损图像。该方法通过选择最佳匹配块，在图像完好区域进行复制填充，实现对破损图像块的修复。样本合成算法是其代表性修复技术。针对修复较大面积的破损壁画和延伸纹理方面，传统的数字图像修复方法已经取得了不错的效果。然而，这些方法难以准确获取图像的全局结构和语义信息。研究者在图像处理中应用了基于稀疏表示的图像修复算法，该方法的理论基础源于信号采样的压缩感知理论，利用极少量的字典原子对信号进行重构，实现稀疏表示。稀疏表示的关键步骤包括求解稀疏系数以及进行字典学习和更新。通过不断更新字典和稀疏系数，能更好地捕捉图像中的细微特征，从而实现更精准的修复和恢复工作。然而，在修复大面积破损壁画图像时，该方法仍存在一定局限性。

传统图像修复方法依赖于图像的先验信息来填补缺失的像素，在壁画小范围受损时这种方法通常能取得较好的效果；但是，在面对大面积破损时，传统算法因其难以捕捉到足够的上下文信息来准确还原图像的细节和结构，导致难以精确恢复完整图像。近年来，深度学习在图像处理领域表现出色，尤其在壁画图像修复方面，基于卷积神经网络和生成对抗网络的方法得到了广泛应用。它需要准确获取图像的全局结构和语义信息，在精确恢复完整图像方面发挥优势。但其泛化能力和收敛性仍面临挑战，对复杂结构的图像修复还需进一步优化。

(改编自张梦雨《浅议壁画类文物的数字化保护技术及应用现状》)

材料二：

目前，基于深度学习的壁画修复方法是主流，其主要思想是借助图像生成模型来生成新的、有意义的图像内容，从而实现对破损区域的填充。生成对抗网络(GAN)就是一种常见的生成模型。

常见的卷积神经网络通过层层下采样提取图像中的特征信息，在许多任务中，网络最终的输出为特征映射。但是在图像修复任务中需要生成完整的图片作为输出结果，因此在图像生成相关任务中自编码器的网络结构更为常见。

自编码器的训练过程通常是通过最小化输入图像和解码后图像之间的误差来进行的。训练完成后，自编码器可以用于图像的压缩(即将图像编码为低维特征表示),也可以用于图像的生成(即由低维特征表示解码出图像)。图像自编码器在图像处理、计算机视觉和机器学习等领域有广泛的应用，可以用于图像的去噪、超分辨率重建、特征学习和生成对抗等任务，还可以用于图像的降维和可视化，帮助人们更好地理解高维图像数据的内在结构和特性。

在图像生成相关任务中，自编码器多数采用卷积神经网络的结构，编码器把受损的图像作为噪声输入，通过下采样提取图像的特征和语义信息。解码器则对特征向量进行上采样，将其恢复到输入大小，生成缺失的图像内容。

GAN的基本思想源于博弈论中的零和博弈，通过生成网络和判别网络相互对抗、不断竞