Au-delà du rééclairage : RTI pour regrouper des textiles patrimoniaux fragmentés grâce à l’apprentissage profond

Recomposer le passé

Les textiles archéologiques nous parviennent souvent sous la forme de petits fragments friables plutôt que comme des vêtements ou des tapisseries complets. Pourtant, ces fils fragiles peuvent révéler comment les gens s’habillaient, quelles histoires ils racontaient dans le tissu et le degré d’avancement de leur savoir‑faire et de leurs échanges commerciaux. Cet article présente une nouvelle méthode informatisée pour aider conservateurs et archéologues à trier et regrouper ces fragments, en utilisant un type particulier d’éclairage et des techniques modernes d’analyse d’images pour suggérer quelles pièces ont pu appartenir au même objet.

Éclairer sous de nombreux angles

Le cœur du travail est une méthode d’imagerie appelée Reflectance Transformation Imaging, ou RTI. Plutôt que de prendre une seule photo d’un textile, la RTI en capture des dizaines en projetant la lumière depuis de nombreuses directions à l’intérieur d’un dôme contrôlé. Cela ne produit pas un modèle 3D complet, mais enregistre la manière dont la surface réfléchit la lumière, révélant de petits reliefs, des fils et des zones usées qu’une photo couleur classique ne montre pas. Par rapport à la photographie standard, la RTI offre une information bien plus riche sur la texture et l’état de surface, et ce sans toucher ni abîmer l’objet.

Transformer la lumière en nombres

Pour exploiter ces données riches, les auteurs compressent d’abord chaque jeu RTI en une image simplifiée qui représente l’apparence globale, indépendante de l’éclairage, de la surface du textile. Ils utilisent une technique mathématique appelée harmoniques hémisphériques pour décrire la réponse de chaque point du tissu à la lumière venant de différentes directions. En ne conservant que la composante de base de cette description, ils obtiennent une image qui capture la couleur stable et la réflectance diffuse du textile tout en atténuant ombres et zones brillantes. Ceci est particulièrement important pour des fragments anciens et irréguliers, où de légères variations de positionnement ou d’éclairage pourraient autrement fausser l’analyse.

Apprendre à l’ordinateur à voir le tissu

Puis l’équipe alimente ces images RTI traitées dans un modèle d’apprentissage profond initialement entraîné sur des millions de photographies de la vie quotidienne. Bien que ce modèle, connu sous le nom de ResNet‑50, n’ait pas été conçu spécifiquement pour l’archéologie, ses premières couches sont très efficaces pour repérer des motifs tels que lignes, textures et formes. Pour chaque fragment, le modèle produit une longue liste de nombres — un vecteur de caractéristiques — qui résume le caractère visuel du tissu, incluant la structure de la trame, les décors, la distribution des couleurs et les signes d’usure. Parce que cette description est très détaillée, elle vit dans un espace de plus de deux mille dimensions, bien au‑delà de ce que l’on peut facilement interpréter visuellement.

Déceler des grappes dans le chaos

Pour transformer cette description complexe en un outil utilisable par les archéologues, les chercheurs appliquent des méthodes de réduction de dimensionnalité qui condensent les caractéristiques de haute dimension en une carte bidimensionnelle. Sur cette carte, les fragments ayant des propriétés de surface similaires tendent à se retrouver proches les uns des autres, tandis que les fragments différents sont plus éloignés. Ils appliquent ensuite des méthodes de regroupement standard, telles que k‑means et le clustering spectral, pour grouper automatiquement les fragments apparemment liés. La méthode est testée sur deux collections textiles : les célèbres textiles funéraires d’Oseberg de l’époque viking, qui ne subsistent que sous forme de pièces éparses, et une bannière polonaise de dragons, dont l’objet entier est connu et a été découpé numériquement en fragments de test.

Meilleure que la photographie ordinaire

En comparant les résultats basés sur la RTI avec ceux obtenus à partir de photographies couleur uniques bien éclairées des mêmes fragments, les auteurs montrent que la RTI produit des regroupements plus clairs et plus cohérents. Des morceaux séparés d’un même textile original sont placés plus près les uns des autres dans l’espace des caractéristiques RTI, et des ensembles connus issus de la bannière témoin forment des grappes serrées et distinctes. Le cadre RTI prend également en charge une simple tâche de « recherche d’image » : donné un fragment, le système peut suggérer d’autres fragments susceptibles de correspondre, ce qui pourrait réduire considérablement l’effort manuel des experts triant de grandes collections.

Ce que cela signifie pour la reconstruction de l’histoire

En termes simples, l’étude démontre que projeter la lumière sur les textiles depuis de nombreuses directions et analyser les motifs résultants avec l’apprentissage profond aide les ordinateurs à « remarquer » les mêmes indices subtils que les spécialistes humains utilisent : épaisseur des fils, armure du tissage, usure et motifs effacés. Si l’approche ne reconstruit pas encore à elle seule des vêtements entiers — et reste limitée par l’absence de vérités de terrain solides pour de nombreuses découvertes archéologiques — elle offre une méthode puissante et non destructive pour restreindre les hypothèses sur les fragments qui appartiennent probablement au même objet d’origine. Avec le temps, de tels outils pourraient aider musées et archéologues à transformer des piles désordonnées de textiles anciens en récits plus complets et fiables sur les personnes qui les ont tissés et portés.

Citation: 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

Mots-clés: textiles archéologiques, imagerie par transformation de réflectance, apprentissage profond, reconstruction du patrimoine culturel, regroupement d’images