Jenseits des Nachbeleuchtens: RTI zur Gruppierung fragmentierter Kulturerbetextilien mit Deep Learning

Die Vergangenheit zusammensetzen

Archäologische Textilien erreichen uns häufig als winzige, brüchige Fetzen statt als komplette Kleidungsstücke oder Wandteppiche. Dennoch können diese fragilen Fäden Auskunft darüber geben, wie sich Menschen kleideten, welche Geschichten sie in Stoff erzählten und wie entwickelt ihr Handwerk und Handel waren. Dieser Beitrag stellt eine neue computerbasierte Methode vor, die Kuratoren und Archäologen beim Sortieren und Gruppieren solcher Fragmente unterstützt: Sie nutzt eine spezielle Beleuchtungstechnik und moderne Bildanalyse, um vorzuschlagen, welche Stücke einst zusammengehört haben könnten.

Licht aus vielen Blickwinkeln

Im Kern steht eine Aufnahmetechnik namens Reflectance Transformation Imaging, kurz RTI. Anstatt nur ein Foto eines Textils anzufertigen, erfasst RTI Dutzende Bilder, während Licht aus vielen Richtungen innerhalb einer kontrollierten Kuppel auf das Objekt fällt. Das erzeugt kein vollständiges 3D-Modell, zeichnet aber auf, wie die Oberfläche Licht reflektiert, und macht winzige Unebenheiten, Garne und abgenutzte Stellen sichtbar, die ein normales Farbfoto nicht zeigt. Im Vergleich zur Standardfotografie liefert RTI deutlich reichere Informationen über Textur und Oberflächenzustand – und das ganz ohne Berührung oder Beschädigung des Objekts.

Licht in Zahlen verwandeln

Um diese reichhaltigen Daten nutzbar zu machen, komprimieren die Autorinnen und Autoren zunächst jeden RTI-Datensatz zu einem vereinfachten Bild, das das allgemeine, lichtunabhängige Erscheinungsbild der Textiloberfläche repräsentiert. Sie verwenden eine mathematische Technik namens hemisphärische Harmonische, um zu beschreiben, wie jeder Punkt des Gewebes auf Licht aus verschiedenen Richtungen reagiert. Indem sie nur die Basis-Komponente dieser Beschreibung behalten, erhalten sie ein Bild, das die stabile Farbe und diffuse Reflexion des Textils einfängt und Schatten sowie glänzende Stellen herunterspielt. Das ist besonders wichtig bei alten, unebenen Fragmenten, bei denen kleine Änderungen in Position oder Beleuchtung sonst die Analyse verfälschen könnten.

Dem Computer das Sehen von Stoff beibringen

Anschließend speist das Team diese verarbeiteten RTI-Bilder in ein Deep-Learning-Modell ein, das ursprünglich an Millionen alltäglicher Fotos trainiert wurde. Obwohl dieses Modell, bekannt als ResNet-50, nicht speziell für die Archäologie entwickelt wurde, sind seine frühen Schichten sehr gut darin, Muster wie Linien, Texturen und Formen zu erkennen. Für jedes Fragment erzeugt das Modell eine lange Zahlenliste – einen Merkmalsvektor –, der den visuellen Charakter des Stoffs zusammenfasst, einschließlich Webstruktur, Dekor, Farbmuster und Schadenszeichen. Weil diese Beschreibung so detailliert ist, lebt sie in einem Raum mit mehr als zweitausend Dimensionen, weit jenseits dessen, was Menschen leicht interpretieren können.

Cluster im Chaos erkennen

Um diese komplexe Beschreibung für Archäologen nutzbar zu machen, wenden die Forschenden Werkzeuge zur Dimensionsreduktion an, die die hochdimensionalen Merkmale auf eine zweidimensionale Karte drücken. Auf dieser Karte liegen Fragmente mit ähnlichen Oberflächeneigenschaften tendenziell dicht beieinander, während unterschiedliche weiter auseinander liegen. Anschließend nutzen sie standardmäßige Clustering-Methoden wie k‑means und spektrales Clustering, um automatisch Fragmente zu gruppieren, die zusammengehörig erscheinen. Die Methode wurde an zwei Textilsammlungen getestet: den berühmten Oseberg-Textilien aus der Wikingerzeit, die nur als verstreute Stücke überliefert sind, und einem polnischen Dragonerbanner, bei dem das ursprüngliche Objekt bekannt und digital in Testfragmente zerteilt wurde.

Leistungsstärker als gewöhnliche Fotografien

Der Vergleich der RTI-basierten Ergebnisse mit denen aus einzelnen, gut ausgeleuchteten Farbfotografien derselben Fragmente zeigt, dass RTI klarere und konsistentere Gruppierungen liefert. Geteilte Teile desselben Originaltextils werden im RTI-Merkmalsraum näher zueinander platziert, und bekannte Sets aus der Kontrollsammlung des Banners bilden enge, separate Cluster. Das RTI-Framework unterstützt außerdem eine einfache "Bildsuche": Ausgehend von einem Fragment kann das System andere Fragmente vorschlagen, die wahrscheinlich passen — was den manuellen Aufwand für Expertinnen und Experten beim Durchsehen großer Sammlungen erheblich reduzieren könnte.

Was das für die Rekonstruktion der Geschichte bedeutet

Einfach gesagt zeigt die Studie, dass das Beleuchten von Textilien aus vielen Richtungen und die Analyse der resultierenden Muster mit Deep Learning dem Computer hilft, dieselben subtilen Hinweise zu erkennen, auf die menschliche Expertinnen und Experten achten: Garnstärke, Webart, Abnutzung und schwache Motive. Zwar rekonstruiert der Ansatz noch nicht eigenständig vollständige Kleidungsstücke – und ist durch das Fehlen verlässlicher Ground-Truth-Daten für viele archäologische Funde begrenzt – doch bietet er eine leistungsfähige, nicht-destruktive Möglichkeit, einzuschränken, welche Fragmente wahrscheinlich zu demselben Originalobjekt gehören. Mit der Zeit könnten solche Werkzeuge Museen und Archäologinnen und Archäologen dabei helfen, unordentliche Haufen antiker Stoffe in vollständigere und vertrauenswürdigere Erzählungen über die Menschen zu verwandeln, die sie webten und trugen.

Zitation: Khawaja, M.A., Gigilashvili, D., Łojewski, T. et al. Beyond relighting: RTI for clustering fragmented heritage textiles using deep learning. npj Herit. Sci. 14, 95 (2026). https://doi.org/10.1038/s40494-026-02326-9

Schlüsselwörter: archäologische Textilien, Reflectance Transformation Imaging, Deep Learning, Rekonstruktion von Kulturerbe, Bildclustering