Más allá del reiluminado: RTI para agrupar textiles patrimoniales fragmentados mediante aprendizaje profundo

Recomponer el pasado

Los textiles arqueológicos suelen llegarnos como pequeños fragmentos desmenuzados en lugar de prendas o tapices completos. Aun así, esos frágiles hilos pueden revelar cómo se vestía la gente, qué historias contaban en la tela y cuán avanzadas eran sus técnicas y su comercio. Este artículo presenta un nuevo método informático para ayudar a conservadores y arqueólogos a clasificar y agrupar tales fragmentos, usando un tipo especial de iluminación y análisis de imágenes moderno para sugerir qué piezas pudieron pertenecer originalmente al mismo conjunto.

Iluminar desde muchos ángulos

El núcleo del trabajo es un método de imagen llamado Reflectance Transformation Imaging, o RTI. En lugar de tomar una sola fotografía del textil, RTI captura decenas de imágenes mientras ilumina la pieza desde muchas direcciones dentro de una cúpula controlada. Esto no produce un modelo 3D completo, pero sí registra cómo la superficie refleja la luz, revelando pequeños relieves, hilos y zonas gastadas que una foto en color normal no mostraría. En comparación con la fotografía estándar, RTI ofrece información mucho más rica sobre la textura y el estado superficial, y lo hace sin tocar ni dañar el objeto.

Convertir la luz en números

Para aprovechar estos datos ricos, los autores primero comprimen cada conjunto RTI en una imagen simplificada que representa la apariencia global, independiente de la iluminación, de la superficie del textil. Usan una técnica matemática llamada armónicos hemisféricos para describir cómo cada punto de la tela responde a la luz procedente de distintas direcciones. Al conservar solo el componente base de esta descripción obtienen una imagen que captura el color estable y la reflectancia difusa del textil, atenuando sombras y brillos. Esto es especialmente importante en fragmentos antiguos e irregulares, donde pequeños cambios en la posición o la iluminación podrían inducir a error en el análisis.

Enseñar al ordenador a ver telas

A continuación, el equipo introduce estas imágenes RTI procesadas en un modelo de aprendizaje profundo originalmente entrenado con millones de fotografías cotidianas. Aunque este modelo, conocido como ResNet-50, no fue diseñado específicamente para arqueología, sus capas iniciales son muy buenas detectando patrones como líneas, texturas y formas. Para cada fragmento, el modelo genera una larga lista de números —un vector de características— que resume el carácter visual de la tela, incluyendo la estructura del tejido, la decoración, la distribución del color y signos de deterioro. Dado que esta descripción es tan detallada, vive en un espacio de más de dos mil dimensiones, muy por encima de lo que los humanos pueden interpretar fácilmente.

Ver cúmulos en el caos

Para convertir esta descripción compleja en algo útil para los arqueólogos, los investigadores aplican herramientas de reducción de dimensionalidad que comprimen las características de alta dimensión en un mapa bidimensional. En este mapa, los fragmentos con propiedades superficiales similares tienden a quedar cerca unos de otros, mientras que los diferentes quedan más separados. Después aplican métodos de agrupación estándar, como k‑means y clustering espectral, para agrupar automáticamente fragmentos que parecen relacionados. El método se prueba en dos colecciones textiles: los famosos textiles del enterramiento de Oseberg de la Era vikinga, que sobreviven solo como piezas dispersas, y un estandarte de dragones polaco, donde el objeto original es conocido y se corta digitalmente en fragmentos de prueba.

Superando a las fotografías ordinarias

Al comparar los resultados basados en RTI con los obtenidos a partir de fotografías a color únicas y bien iluminadas de los mismos fragmentos, los autores muestran que RTI produce agrupaciones más claras y coherentes. Piezas partidas del mismo textil original quedan más cerca entre sí en el espacio de características RTI, y los conjuntos conocidos de la colección de control forman cúmulos cerrados y separados. El marco RTI también soporta una tarea simple de “búsqueda por imagen”: dada una pieza, el sistema puede sugerir otros fragmentos que probablemente coincidan, lo que podría reducir considerablemente el esfuerzo manual de expertos que revisan grandes colecciones.

Qué significa esto para reconstruir la historia

En términos sencillos, el estudio demuestra que iluminar los textiles desde muchas direcciones y analizar los patrones resultantes con aprendizaje profundo ayuda a los ordenadores a “notar” las mismas pistas sutiles que usan los expertos humanos: grosor del hilo, tejido, desgaste y motivos tenues. Aunque el enfoque aún no reconstruye prendas completas por sí solo —y está limitado por la falta de una verdad terrestre firme para muchos hallazgos arqueológicos— ofrece una forma poderosa y no destructiva de acotar qué fragmentos probablemente pertenecieron al mismo objeto original. Con el tiempo, estas herramientas podrían ayudar a museos y arqueólogos a convertir montones desordenados de tela antigua en historias más completas y fiables sobre las personas que las tejieron y las usaron.

Cita: 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

Palabras clave: textiles arqueológicos, imágenes de transformación de reflectancia, aprendizaje profundo, reconstrucción del patrimonio cultural, agrupación de imágenes