Ein Residual‑Mamba‑Punktwolken‑Klassifikationsrahmen für 3D‑Terrakotta‑Krieger‑Fragmente

Warum zerbrochene Statuen trotzdem wichtig sind

Die Terrakotta‑Krieger gehören zu den ikonischsten archäologischen Funden der Welt, doch viele dieser lebensgroßen Tonfiguren überdauern heute nur noch als verstreute Fragmente. Sie wieder zusammenzusetzen ist wie ein dreidimensionales Puzzle mit tausenden fehlenden und irreführenden Teilen. Diese Studie stellt eine neue Methode der künstlichen Intelligenz vor, die direkt detaillierte 3D‑Scans von Fragmenten analysiert, um sie nach Körperteil zu sortieren. Ziel ist es, die digitale Restaurierung zu beschleunigen und Restauratorinnen und Restauratoren zu helfen, besser zu verstehen, wie die Originalstatuen aufgebaut waren.

Von verstreuten Scherben zu digitalen Punkten

Moderne Scanner erfassen die Form jedes Fragments als „Punktwolke“ – Millionen winziger Punkte im Raum, die jede Beule, Kurve und Bruchkante der Tonoberfläche nachzeichnen. Diese rohen 3D‑Punktwolken bewahren weit mehr Details als Fotografien, sind für Computer aber auch schwerer zu interpretieren. Frühere Ansätze versuchten, die Daten zu vereinfachen, indem sie sie in 2D‑Bilder zerlegten oder in 3D‑Gitter packten. Beide Abkürzungen erleichterten die Berechnungen, verwischten jedoch einige der feinen Oberflächenstrukturen, die besonders wichtig sind, wenn man etwa ein Armfragment von einem Beinfragment unterscheiden will.

Computern beibringen, feine Details zu lesen

Die Forschenden entwickelten ein neues System namens PointRM, das direkt mit den originalen 3D‑Punkten arbeitet, ohne sie zu glätten oder grob zu machen. Zuerst zerlegt die Methode die Punktwolke eines Fragments in viele kleine Nachbarschaften mittels Sampling und Nächster‑Nachbar‑Suche. Innerhalb jeder Nachbarschaft kombiniert sie die exakten räumlichen Koordinaten der Punkte mit gelernten „Feature“‑Werten, die die lokale Form zusammenfassen. Ein spezialisiertes Modul verschmilzt dann diese geometrischen und oberflächenbezogenen Informationen und hebt subtile Kurven und Kanten hervor, die zum Beispiel den Rand eines Ärmelansatzes oder die Beugung eines Knies kennzeichnen.

Dem Modell einen Überblick verschaffen

Sobald diese lokalen Gruppen gebildet sind, muss PointRM dennoch entscheiden, welche Merkmale insgesamt am wichtigsten sind. Dazu bewertet es jede lokale Patch nach ihrer Bedeutung und ordnet sie dann in zwei gespiegelte Sequenzen: eine von hoher zu niedriger Bedeutung und die andere in umgekehrter Reihenfolge. Diese geordneten Sequenzen werden in ein „Residual Mamba“‑Modul eingespeist, eine neue Art von Sequenzverarbeitungsnetzwerk, das mit vergleichsweise geringem Rechenaufwand langreichweitige Beziehungen über viele Patches nachverfolgen kann. Indem es die Patches vorwärts und rückwärts abtastet, lernt das Modell, wie weit auseinanderliegende Bereiche desselben Fragments zueinander in Beziehung stehen – ein entscheidender Schritt, um unvollständige und unregelmäßige Stücke zu erkennen.

Erprobung der Methode

Das Team bewertete PointRM anhand mehrerer gängiger 3D‑Benchmarks, darunter Sammlungen alltäglicher Objekte und Formen mit beschrifteten Teilen. In diesen Tests erreichte die neue Methode die Genauigkeit führender Systeme auf Basis traditioneller neuronaler Netze und Transformer‑Modelle oder übertraf sie, und das bei geringerem Rechenaufwand. Die Autoren wandten sich dann ihrem eigentlichen Ziel zu: der Klassifikation realer Terrakotta‑Krieger‑Fragmente in vier Kategorien – Arme, Körper, Köpfe und Beine – aus sorgfältig bereinigten und heruntergetasteten Scans. Von fast zwölftausend Fragmenten identifizierte PointRM über 96 Prozent korrekt, schlug damit vorherige spezialisierte Methoden und blieb stabil, selbst wenn die Eingangsdaten verrauschter oder spärlicher gemacht wurden.

Was das für die antiken Soldaten bedeutet

Für Nicht‑Spezialistinnen und Nicht‑Spezialisten lautet die wichtigste Erkenntnis, dass diese Arbeit Archäologinnen, Archäologen und Restauratorinnen und Restauratoren eine leistungsfähige neue „Sortiermaschine“ für 3D‑Fragmente bietet. Anstatt sich ausschließlich auf mühsame manuelle Begutachtung zu verlassen, können Teams jetzt PointRM nutzen, um große Mengen von Teilen schnell nach wahrscheinlichem Körperteil zu gruppieren, irreführende Fragmente herauszufiltern und gezieltere Sets für detailliertes Matching und Rekonstruktion vorzubereiten. Obwohl die Methode technische Grenzen hat – etwa bei extrem spärlichen Scans – stellt sie einen wichtigen Schritt hin zu vollständig digitalen Restaurierungsabläufen dar, die die empfindlichen Originale schonen und zugleich mehr darüber offenbaren, wie die Terrakotta‑Krieger gefertigt wurden und wie sie einst im riesigen Untergrundheer des Kaisers standen.

Zitation: Li, Y., Zhou, M., Zhou, P. et al. A residual mamba point cloud classification framework for 3D Terracotta Warrior fragments. npj Herit. Sci. 14, 243 (2026). https://doi.org/10.1038/s40494-026-02496-6

Schlüsselwörter: Terrakotta‑Krieger, 3D‑Punktwolken, kulturerbe, Fragmentklassifikation, Deep Learning