Un quadro residuo Mamba per la classificazione di nuvole di punti di frammenti dei Guerrieri di Terracotta in 3D

Perché le statue rotte contano ancora

I Guerrieri di Terracotta sono tra le scoperte archeologiche più iconiche del mondo, eppure molte di queste statue a grandezza naturale sono oggi sopravvissute solo come frammenti sparsi. Ricomporle è come affrontare un puzzle tridimensionale con migliaia di pezzi mancanti e fuorvianti. Questo studio presenta un nuovo metodo di intelligenza artificiale che analizza direttamente le scansioni 3D dettagliate dei frammenti per classificarli in base alla parte del corpo, con l’obiettivo di velocizzare il restauro digitale e aiutare i conservatori a comprendere come furono costruite le statue originali.

Dalle schegge sparse ai punti digitali

I moderni scanner possono catturare la forma di ciascun frammento come una “nuvola di punti” – milioni di piccoli punti nello spazio che tracciano ogni protuberanza, curva e bordo di rottura sulla superficie di argilla. Queste nuvole di punti 3D grezze preservano molto più dettaglio rispetto alle fotografie, ma sono anche più difficili da interpretare per i computer. Approcci precedenti cercavano di semplificare i dati, o suddividendoli in immagini 2D o convertendoli in griglie 3D. Entrambe le scorciatoie rendevano i calcoli più facili, ma attenuavano alcune delle fini strutture superficiali che contano di più quando si cerca di distinguere un frammento di braccio da uno di gamba.

Insegnare ai computer a leggere i dettagli fini

I ricercatori hanno progettato un nuovo sistema chiamato PointRM che lavora direttamente sui punti 3D originali senza appiattirli o semplificarli. Innanzitutto, il metodo suddivide la nuvola di punti di un frammento in molti piccoli vicinati usando campionamento e ricerche dei più vicini vicini. All’interno di ciascun vicinato combina le coordinate spaziali esatte dei punti con valori di “feature” appresi che sintetizzano la forma locale. Un modulo specializzato fonde poi questi elementi geometrici e di aspetto, mettendo in evidenza curve e creste sottili che segnano, per esempio, il bordo di una manica o la piega di un ginocchio.

Lasciare che il modello veda il quadro d’insieme

Una volta costruiti questi gruppi locali, PointRM deve ancora decidere quali caratteristiche siano globalmente più importanti. Per farlo, valuta ogni patch locale in base all’importanza e poi le riordina in due sequenze speculari: una che va dall’importanza alta a quella bassa e l’altra al contrario. Queste sequenze ordinate alimentano un modulo “residual Mamba”, un nuovo tipo di rete di elaborazione di sequenze che può tracciare relazioni a lungo raggio attraverso molte patch con un costo computazionale relativamente leggero. Scansionando queste patch sia in avanti sia all’indietro, il modello impara come regioni distanti dello stesso frammento si relazionano tra loro – un passaggio chiave per riconoscere pezzi incompleti e irregolari.

Mettere il metodo alla prova

Il team ha valutato PointRM su diversi benchmark 3D standard, incluse collezioni di oggetti di uso quotidiano e forme con parti etichettate. In questi test il nuovo metodo ha eguagliato o superato l’accuratezza dei sistemi di punta basati su reti neurali tradizionali e modelli Transformer, pur utilizzando meno operazioni. Gli autori si sono poi concentrati sul loro obiettivo principale: classificare frammenti reali dei Guerrieri di Terracotta in quattro categorie – braccia, corpi, teste e gambe – a partire da scansioni accuratamente pulite e campionate. Su quasi dodicimila frammenti, PointRM ne ha identificati correttamente oltre il 96 percento, superando metodi specializzati precedenti e restando stabile anche quando i dati di input erano più rumorosi o più scarsi.

Cosa significa per gli antichi soldati

Per i non specialisti, la conclusione principale è che questo lavoro fornisce ad archeologi e conservatori un potente nuovo “motore di smistamento” per frammenti 3D. Invece di fare affidamento esclusivamente su ispezioni manuali laboriose, i team possono ora usare PointRM per raggruppare rapidamente grandi quantità di pezzi in base alla probabile parte del corpo, filtrare frammenti fuorvianti e preparare insiemi più mirati per il matching dettagliato e la ricostruzione. Sebbene il metodo presenti limiti tecnici – come difficoltà con scansioni estremamente sparse – rappresenta un passo importante verso pipeline di restauro completamente digitali che rispettino gli originali fragili rivelando al contempo di più su come i Guerrieri di Terracotta furono realizzati e su come un tempo stavano insieme nell’immensa armata sotterranea dell’imperatore.

Citazione: 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

Parole chiave: Guerrieri di Terracotta, nuvole di punti 3D, patrimonio culturale, classificazione di frammenti, apprendimento profondo