רשת מיזוג תכונות ווקסל רב-סקלתית להשלמת ענני נקודות רעשיים בקנה מידה גדול בשיקום מורשת תרבותית

להחזיר מבנים עתיקים לפוקוס דיגיטלי

כשפורנוזים היסטוריים סורקים מקדשים או אנדרטאות בלייזר, הנתונים התלת־ממדיים שמתקבלים נראים לעתים קרובות יותר כמו טלוויזיה מלאה ברעשים מאשר תמונה נקייה. חלקים של גגות או פסלים חסרים, ונקודות מקריות של "רוחות" מציפות את התצוגה. מאמר זה מציג שיטת בינה מלאכותית חדשה שמנקה וממלאת את ענני הנקודות התלת־ממדיים הללו, ועוזרת למאוצרים ולחוקרים לראות אתרי מורשת מורכבים — כמו מקדשים יפניים בני מאות שנים — באופן ברור בהרבה.

מדוע סריקות תלת־ממד של אתרי מורשת כה מבולגנות

כלים מודרניים כמו LiDAR ומצלמות עומק יכולים ללכוד מיליוני נקודות תלת־ממדיות ממבנים ונופים תוך דקות. אבל עצים, צללים, זוויות צילום בעייתיות ומגבלות הסורקים עצמם גורמים לכך שאזורים מסוימים לעולם לא "נראים", בעוד שאחרים מושחתים על־ידי רעש. בפועל זה מוביל לענני נקודות מפוזרים וחסרים עקביות שבהם מאפיינים מרכזיים — כמו קורות גג המשולבות או קצוות מעוטרים — חסרים או קבורים תחת נקודות שגויות. טכניקות תיקון דיגיטליות קודמות מילאו חורים באופן גס, טשטשו פרטים עדינים או דרשו חישוב כבד שלא התאים לסצנות חוצות־גודל מאוד.

צנרת שיקום דיגיטלית בשלושה שלבים

המחברים בונים על עבודתם הקודמת ומציעים מסגרת בינה מלאכותית בשלושה שלבים המותאמת לסריקות תלת־ממד גדולות ורועשות של מורשת תרבותית. ראשית מגיע שלב סינון מרובה־שלבים: האלגוריתם מבצע תחילה בדיקה סטטיסטית להוצאת נקודות חריגות ברורות, ואז משתמש במסנן מונחה שמסתכל על טלאי משטח מקומיים כדי להחליק את הרעש הנותר תוך שמירה על צורות חדות כמו קצוות. שנית, הנקודות הנקיות מומרות ל"ווקסלים" תלת־ממדיים — קוביות קטנות — ומנותחות בכמה רזולוציות במקביל. רשתות גסות תופסות את המבנה הכללי של הגג; רשתות עדינות יותר תופסות שפות, רעפים וקצוות. תכונות ווקסל מרובות־סקלה אלה נאגדות באמצעות מנגנוני תשומת לב שמאפשרים לרשת להחליט עד כמה לסמוך על כל סקלה באזורים שונים של האובייקט.

החדת קצוות ומילוי החסר

בשלב השלישי, התכונות המאוגדות עוברות מודול מבוסס Transformer החוזה "שלד" שספֵר של נקודות מייצגות את האזורים החסרים. שלב שיפור מונחה עקמומיות מודד עד כמה כל אזור מתעקל ומשתמש במידע זה כדי להתאים את התכונות, כך שהשלד החזוי יעקוב טוב יותר אחר קצוות ופינות אמיתיות במקום לעגל אותן. לבסוף, מודול על־דגימה מרחיב את השלד הזה לענן נקודות צפוף שהמטרה שלו להתאים למשטח האמיתי תוך שמירה על פיזור נקודות אחיד, הימנעות מצברויות או חורים שעלולים להסיח את הצופה או להטעות מנתחים.

כמה טוב זה עובד בפועל?

הצוות בחן את הגישה על צורות סינתטיות וסריקות אמיתיות. במבחן סטנדרטי של מודלים תלת־ממדיים (ShapeNet‑55), שיבושיהם שוחזרו בדיוק רב יותר מאשר בכמה רשתות מובילות, עם שיפור במדד מרחק מרכזי של עד כ־16% תוך שמירה על שלימות גבוהה. חשוב יותר עבור יישומי מורשת, הם הרכיבו מאגר נתונים של גגות מקדשים יפניים שמקורם בסריקות לייזר אמיתיות הכוללות רעש מהעולם האמיתי. כאן השיטה עלתה בבירור על אלטרנטיבות, במיוחד כאשר הנתונים היו מזוהמים חזק. בהשוואות ויזואליות, הצנרת המוצעת הפיקה רעפים חדות יותר, קצוות נאמנים יותר ופחות ארטיפקטים. בעת יישום על סריקה בקנה מידה גדול של מקדש טמאקי־ג'ינצה — למעלה מ־25 מיליון נקודות — היא הצליחה לשחזר מקטעי גג חסרים ולדייק משטחים רעשיים במסגרת זמן וזיכרון מעשיים.

לראות דרך קירות עם נתונים ברורים יותר

החוקרים גם שילבו את שיטת ההשלמה שלהם עם טכניקת ויזואליזציה שקופה שפיתחו קודם, המאפשרת לצופים "לראות דרך" משטחים חיצוניים של ענני נקודות צפופים אל מבנים פנימיים. בנתונים הרועשים המקוריים, תצפיות שקופות על גגות טמאקי־ג'ינצה היו מבלבלות: חורים, נקודות נודדות ואזורים חסרים הסתרו את המבנה האמיתי. לאחר יישום מסגרת ההשלמה החדשה, אותן תצוגות הראו קווי מתאר ברורים בהרבה של גגות וקצוות, והפכו את פרשנות מבנה הבניין לקלה יותר. אמנם השיטה עדיין מתקשה באזורים שבהם הסריקות חסרות מאוד או מוצפות ברעש, אך היא משפרת בצורה מהותית הן את הדיוק הגאומטרי והן את הקריאות הוויזואלית ברוב האזורים.

מה משמעות הדבר עבור מורשת תרבותית

במלים פשוטות, עבודה זו מספקת "משחזר דיגיטלי" חכם יותר עבור סריקות תלת־ממד של אתרים היסטוריים. על־ידי ניקוי קפדני של הנתונים, הבנת צורות במספר סקלות ותשומת לב מיוחדת לקצוות ולעקומות, השיטה יכולה לשחזר באופן סביר חלקים חסרים של מבנים תוך הימנעות מתוצאות חלקות מדי או מעוותות. עבור מאוצרים, אדריכלים והיסטוריונים, הדבר אומר מודלים וירטואליים אמינים יותר ללימוד, לתכנון שימור ולהצגות לציבור, כולל תצוגות שקופות אינטראקטיביות של מסגרות עץ מורכבות. בעוד הגישה אינה תחליף לשימור פיזי, היא מציעה כלי רב־עוצמה לשימור ולחקירה של הגאומטריה של מורשת תרבותית שברירית במרחב הדיגיטלי.

ציטוט: Li, W., Pan, J., Hasegawa, K. et al. Multiscale voxel feature fusion network for large scale noisy point cloud completion in cultural heritage restoration. npj Herit. Sci. 14, 93 (2026). https://doi.org/10.1038/s40494-026-02331-y

מילות מפתח: ענן נקודות תלת־ממדי, מורשת תרבותית, סריקת LiDAR, למידה עמוקה, שחזור דיגיטלי