Un cadre de classification de nuages de points residual mamba pour des fragments de soldats en terre cuite 3D

Pourquoi les statues brisées comptent encore

Les Guerriers en terre cuite figurent parmi les découvertes archéologiques les plus emblématiques au monde, et pourtant nombre de ces soldats grandeur nature ne subsistent aujourd’hui que sous forme de fragments épars. Les reconstituer revient à résoudre un puzzle tridimensionnel comportant des milliers de pièces manquantes ou trompeuses. Cette étude présente une nouvelle méthode d’intelligence artificielle qui analyse directement des scans 3D détaillés des fragments pour les trier par partie du corps, dans le but d’accélérer la restauration numérique et d’aider les conservateurs à comprendre la construction originelle des statues.

Des éclats dispersés aux points numériques

Les scanners modernes peuvent capturer la forme de chaque fragment sous la forme d’un « nuage de points » — des millions de petits points dans l’espace qui retracent chaque bosse, courbe et bord cassé de la surface d’argile. Ces nuages de points 3D bruts conservent bien plus de détails que des photographies, mais ils sont aussi plus difficiles à interpréter pour les ordinateurs. Les approches précédentes tentaient de simplifier les données, soit en les découpant en images 2D, soit en les convertissant en grilles 3D. Ces raccourcis facilitaient les calculs, mais faisaient disparaître certaines structures fines de surface qui sont cruciales pour distinguer, par exemple, un éclat de bras d’un éclat de jambe.

Apprendre aux ordinateurs à lire les détails fins

Les chercheurs ont conçu un nouveau système appelé PointRM qui travaille directement sur les points 3D originaux sans les aplatir ni les grossir. D’abord, la méthode segmente le nuage de points d’un fragment en de nombreux petits voisinages à l’aide d’un échantillonnage et de recherches des plus proches voisins. Dans chaque voisinage, elle combine les coordonnées spatiales exactes des points avec des valeurs de « caractéristiques » apprises qui résument la forme locale. Un module spécialisé fusionne ensuite ces éléments géométriques et d’apparence, mettant en valeur les courbures et arêtes subtiles qui signalent, par exemple, le bord d’une manche ou la flexion d’un genou.

Permettre au modèle de voir la vue d’ensemble

Une fois ces groupes locaux constitués, PointRM doit encore déterminer quelles caractéristiques comptent le plus globalement. Pour cela, il évalue l’importance de chaque patch local puis les réordonne en deux séquences miroir : l’une allant de l’importance élevée à faible, l’autre en sens inverse. Ces séquences ordonnées alimentent un module « residual Mamba », un nouveau type de réseau de traitement de séquences capable de tracer des relations à longue portée entre de nombreux patchs avec un coût de calcul relativement léger. En balay ant ces patchs dans les deux sens, le modèle apprend comment des régions éloignées d’un même fragment se rapportent l’une à l’autre — une étape clé pour reconnaître des pièces incomplètes et irrégulières.

Tester la méthode

L’équipe a évalué PointRM sur plusieurs benchmarks 3D standards, y compris des collections d’objets du quotidien et de formes avec parties annotées. Sur ces tests, la nouvelle méthode a égalé ou dépassé la précision des systèmes dominants basés sur des réseaux neuronaux traditionnels et des modèles Transformer, tout en nécessitant moins d’opérations. Les auteurs se sont ensuite concentrés sur leur objectif principal : classer de véritables fragments de Guerriers en terre cuite en quatre catégories — bras, corps, têtes et jambes — à partir de scans soigneusement nettoyés et sous‑échantillonnés. Sur près de douze mille fragments, PointRM en a correctement identifié plus de 96 %, surpassant les méthodes spécialisées antérieures et restant stable même lorsque les données d’entrée étaient rendues plus bruitées ou plus clairsemées.

Ce que cela signifie pour les soldats antiques

Pour les non‑spécialistes, la conclusion essentielle est que ce travail fournit aux archéologues et aux conservateurs un nouveau « moteur de tri » puissant pour les fragments 3D. Plutôt que de s’appuyer uniquement sur des inspections manuelles minutieuses, les équipes peuvent désormais utiliser PointRM pour grouper rapidement de grands ensembles de pièces selon la partie du corps probable, filtrer les fragments trompeurs et préparer des jeux plus ciblés pour des appariements et reconstructions détaillés. Bien que la méthode présente des limites techniques — comme la difficulté avec des scans extrêmement clairsemés — elle représente une étape importante vers des pipelines de restauration entièrement numériques qui respectent les originaux fragiles tout en révélant davantage sur la fabrication des Guerriers en terre cuite et sur la manière dont ils se tenaient autrefois dans la vaste armée souterraine de l’empereur.

Citation: 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

Mots-clés: Guerriers en terre cuite, Nuages de points 3D, patrimoine culturel, classification de fragments, apprentissage profond