Un marco residual Mamba para la clasificación de nubes de puntos de fragmentos de guerreros de terracota en 3D

Por qué las estatuas rotas siguen importando

Los Guerreros de Terracota están entre los descubrimientos arqueológicos más emblemáticos del mundo, pero muchos de estos soldados de arcilla de tamaño real sobreviven hoy solo como fragmentos dispersos. Volver a ensamblarlos es como enfrentar un rompecabezas tridimensional con miles de piezas faltantes y engañosas. Este estudio presenta un nuevo método de inteligencia artificial que analiza directamente escaneos 3D detallados de los fragmentos para clasificarlos por parte del cuerpo, con el objetivo de acelerar la restauración digital y ayudar a los conservadores a comprender cómo se construyeron las estatuas originales.

De los fragmentos dispersos a los puntos digitales

Los escáneres modernos pueden capturar la forma de cada fragmento como una “nube de puntos”: millones de pequeños puntos en el espacio que trazan cada protuberancia, curva y borde de rotura en la superficie de la arcilla. Estas nubes de puntos 3D crudas preservan mucho más detalle que las fotografías, pero también son más difíciles de interpretar por los ordenadores. Enfoques anteriores intentaron simplificar los datos, ya sea rebanándolos en imágenes 2D o empaquetándolos en rejillas 3D. Ambos atajos facilitaron los cálculos, pero difuminaron parte de la fina estructura superficial que importa cuando se trata de distinguir, por ejemplo, un fragmento de brazo de uno de pierna.

Enseñar a las máquinas a leer el detalle fino

Los investigadores diseñaron un nuevo sistema llamado PointRM que opera directamente sobre los puntos 3D originales sin aplanarlos ni coarsificarlos. Primero, el método divide la nube de puntos de un fragmento en muchos vecindarios pequeños mediante muestreo y búsquedas de vecinos más cercanos. Dentro de cada vecindario combina las coordenadas espaciales exactas de los puntos con valores de “característica” aprendidos que resumen la forma local. Un módulo especializado fusiona entonces estas piezas de información geométrica y de apariencia, destacando curvas y crestas sutiles que señalan, por ejemplo, el borde de una manga o la flexión de una rodilla.

Permitir que el modelo vea el panorama general

Una vez construidos estos grupos locales, PointRM aún debe decidir qué características importan más en global. Para ello puntúa cada parche local por su importancia y luego los reordena en dos secuencias espejadas: una que va de alta a baja importancia y la otra en sentido inverso. Estas secuencias ordenadas alimentan un módulo “residual Mamba”, un nuevo tipo de red para procesar secuencias que puede trazar relaciones de largo alcance entre muchos parches con un coste computacional relativamente bajo. Al escanear estos parches en direcciones directa y retrógrada, el modelo aprende cómo se relacionan regiones alejadas de un mismo fragmento, un paso clave para reconocer piezas incompletas e irregulares.

Poner el método a prueba

El equipo evaluó PointRM en varios puntos de referencia 3D estándar, incluidas colecciones de objetos cotidianos y formas con partes etiquetadas. En estas pruebas, el nuevo método igualó o superó la precisión de los sistemas líderes basados en redes neuronales tradicionales y modelos Transformer, al tiempo que empleó menos operaciones. Los autores aplicaron luego su objetivo principal: clasificar fragmentos reales de Guerreros de Terracota en cuatro categorías —brazos, cuerpos, cabezas y piernas— a partir de escaneos cuidadosamente limpiados y muestreados a la baja. De casi doce mil fragmentos, PointRM identificó correctamente más del 96 por ciento, superando a métodos especializados previos y manteniéndose estable incluso cuando los datos de entrada se volvieron más ruidosos o escasos.

Qué implica esto para los soldados antiguos

Para los no especialistas, la conclusión clave es que este trabajo proporciona a arqueólogos y conservadores un potente “motor de clasificación” para fragmentos 3D. En lugar de depender únicamente de la inspección manual minuciosa, los equipos pueden ahora usar PointRM para agrupar rápidamente grandes cantidades de piezas por la parte corporal probable, filtrar fragmentos engañosos y preparar conjuntos más focalizados para el emparejamiento y la reconstrucción detallada. Aunque el método tiene limitaciones técnicas —como dificultades con escaneos extremadamente escasos—, representa un paso importante hacia tuberías de restauración totalmente digitales que respeten los frágiles originales a la vez que revelan más sobre cómo se hicieron los Guerreros de Terracota y cómo una vez estuvieron dispuestos en el vasto ejército subterráneo del emperador.

Cita: 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

Palabras clave: Guerreros de terracota, Nubes de puntos 3D, patrimonio cultural, clasificación de fragmentos, aprendizaje profundo