Oltre il rilucido: RTI per il raggruppamento di tessuti storici frammentati tramite deep learning

Ricomporre il passato

I tessuti archeologici spesso ci giungono come piccoli frammenti sgretolati piuttosto che come capi o arazzi completi. Eppure questi fili fragili possono rivelare come si vestivano le persone, quali storie venivano raccontate sui tessuti e quanto fossero sviluppate le loro tecniche artigianali e commerciali. Questo articolo presenta un nuovo approccio informatico per aiutare curatori e archeologi a ordinare e raggruppare tali frammenti, usando una particolare modalità di illuminazione e l’analisi moderna delle immagini per suggerire quali pezzi potrebbero essere appartenuti alla stessa origine.

Illuminare da molte angolazioni

Il fulcro del lavoro è un metodo di imaging chiamato Reflectance Transformation Imaging, o RTI. Invece di scattare una singola fotografia del tessuto, l’RTI cattura decine di immagini mentre la luce proviene da molte direzioni all’interno di una cupola controllata. Questo non produce un modello 3D completo, ma registra come la superficie riflette la luce, rivelando piccole sporgenze, fili e aree consumate che una foto a colori normale non mostra. Rispetto alla fotografia standard, l’RTI offre informazioni molto più ricche su trama e stato superficiale, e lo fa senza toccare o danneggiare l’oggetto.

Convertire la luce in numeri

Per sfruttare questi dati ricchi, gli autori comprimono innanzitutto ogni set RTI in un’immagine semplificata che rappresenta l’aspetto complessivo e indipendente dall’illuminazione della superficie del tessuto. Utilizzano una tecnica matematica chiamata armoniche emisferiche per descrivere come ogni punto del tessuto risponde alla luce proveniente da direzioni diverse. Conservando solo il componente di base di questa descrizione, ottengono un’immagine che cattura il colore stabile e la riflettanza diffusa del tessuto, attenuando ombre e punti lucidi. Ciò è particolarmente importante per frammenti antichi e irregolari, dove piccoli cambiamenti nella posizione o nell’illuminazione potrebbero altrimenti fuorviare l’analisi.

Insegnare al computer a vedere i tessuti

Successivamente, il team alimenta queste immagini RTI processate in un modello di deep learning originariamente addestrato su milioni di fotografie di uso quotidiano. Sebbene questo modello, noto come ResNet-50, non sia stato progettato specificamente per l’archeologia, i suoi primi strati sono molto efficaci nel riconoscere pattern come linee, trame e forme. Per ogni frammento, il modello produce una lunga lista di numeri—un vettore di feature—che riassume il carattere visivo del tessuto, inclusi struttura della tessitura, decorazione, distribuzione del colore e segni di danno. Poiché questa descrizione è così dettagliata, vive in uno spazio di oltre duemila dimensioni, ben al di là di ciò che gli umani possono interpretare facilmente.

Vedere cluster nel caos

Per trasformare questa descrizione complessa in qualcosa di utilizzabile dagli archeologi, i ricercatori applicano strumenti di riduzione della dimensionalità che comprimono le feature ad alta dimensionalità in una mappa bidimensionale. Su questa mappa, i frammenti con proprietà superficiali simili tendono a trovarsi vicini, mentre quelli diversi sono più distanti. Applicano poi metodi di clustering standard, come k‑means e spectral clustering, per raggruppare automaticamente frammenti che appaiono correlati. Il metodo è testato su due collezioni tessili: i famosi tessuti dell’età vichinga della sepoltura di Oseberg, che sono giunti solo come pezzi sparsi, e un drappo di dragoni polacco, dove l’oggetto originale è noto ed è stato digitalmente tagliato in frammenti di prova.

Prestazioni superiori rispetto alle foto ordinarie

Confrontando i risultati basati su RTI con quelli ottenuti da singole fotografie a colori ben illuminate degli stessi frammenti, gli autori dimostrano che l’RTI produce raggruppamenti più chiari e coerenti. Pezzi spezzati dello stesso tessuto originale risultano più vicini nello spazio delle feature RTI, e gli insiemi noti dalla collezione di controllo del drappo formano cluster compatti e separati. Il framework RTI supporta anche un semplice compito di “ricerca per immagine”: dato un frammento, il sistema può suggerire altri frammenti che più probabilmente combaciano, riducendo notevolmente lo sforzo manuale degli esperti nella selezione all’interno di grandi collezioni.

Cosa significa per la ricostruzione della storia

In termini semplici, lo studio dimostra che illuminare i tessuti da molte direzioni e analizzare i modelli risultanti con il deep learning aiuta i computer a “notare” gli stessi indizi sottili che gli esperti umani usano: spessore dei fili, tessitura, usura e motivi sbiaditi. Sebbene l’approccio non ricostruisca ancora interi indumenti da solo—e sia limitato dalla mancanza di verità di riferimento solida per molti reperti archeologici—offre un metodo potente e non distruttivo per restringere quali frammenti probabilmente appartengono allo stesso oggetto originale. Col tempo, tali strumenti potrebbero aiutare musei e archeologi a trasformare mucchi disordinati di stoffe antiche in storie più complete e affidabili sulle persone che le tessevano e le indossavano.

Citazione: 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

Parole chiave: tessuti archeologici, reflectance transformation imaging, deep learning, ricostruzione del patrimonio culturale, clustering di immagini