Een residual mamba-puntenwolk-classificatiekader voor 3D-fragmenten van Terracotta‑soldaten

Waarom gebroken beelden nog steeds van belang zijn

De Terracotta‑soldaten behoren tot de meest iconische archeologische vondsten ter wereld, maar veel van deze levensgrote klei‑soldaten bestaan nu alleen nog als verspreide fragmenten. Ze weer in elkaar zetten is als het oplossen van een driedimensionale legpuzzel met duizenden ontbrekende en misleidende stukken. Deze studie introduceert een nieuwe kunstmatige‑intelligentiemethode die direct naar gedetailleerde 3D‑scans van fragmenten kijkt om ze op lichaamsdeel te sorteren, met als doel de digitale restauratie te versnellen en conservatoren te helpen begrijpen hoe de oorspronkelijke beelden waren opgebouwd.

Van verspreide scherven naar digitale stippen

Moderne scanners kunnen de vorm van elk fragment vastleggen als een “puntenwolk” – miljoenen kleine stipjes in de ruimte die elke bobbel, kromming en breukrand van het kleioppervlak volgen. Deze ruwe 3D‑puntenwolken bewaren veel meer detail dan foto’s, maar ze zijn ook lastiger voor computers om te interpreteren. Eerdere benaderingen probeerden de gegevens te vereenvoudigen, door ze óf in 2D‑afbeeldingen te snijden óf in 3D‑roosters te stoppen. Beide trucs maakten de berekeningen eenvoudiger, maar ze vervaagden ook sommige fijne oppervlaktestructuren die juist belangrijk zijn als je een armfragment van een beenfragment wilt onderscheiden.

Computers leren fijne details lezen

De onderzoekers ontwierpen een nieuw systeem genaamd PointRM dat rechtstreeks op de originele 3D‑punten werkt zonder ze te vlakken of te verdoezelen. Eerst deelt de methode de puntenwolk van een fragment op in veel kleine buurten met behulp van sampling en nearest‑neighbor‑zoeken. Binnen elke buurt combineert het de exacte ruimtelijke coördinaten van de punten met geleerde “feature”‑waarden die de lokale vorm samenvatten. Een gespecialiseerd module fuseert vervolgens deze geometrische en verschijningsgegevens, waarbij subtiele krommingen en richels worden benadrukt die bijvoorbeeld de rand van een mouw of de buiging van een knie aangeven.

Het model het grote plaatje laten zien

Zodra deze lokale groepen zijn opgebouwd, moet PointRM nog beslissen welke features overall het belangrijkst zijn. Om dat te doen, scoort het elke lokale patch op belang en ordent ze daarna in twee spiegelende reeksen: één lopend van hoog belang naar laag en de andere in omgekeerde volgorde. Deze geordende reeksen voeden een “residual Mamba”‑module, een nieuw soort sequentie‑verwerkend netwerk dat langeafstandrelaties tussen vele patches kan traceren met relatief lichte berekening. Door deze patches zowel voorwaarts als achterwaarts te scannen, leert het model hoe ver uit elkaar liggende gebieden van hetzelfde fragment zich tot elkaar verhouden – een cruciale stap om incomplete en onregelmatige stukken te herkennen.

De methode op de proef stellen

Het team evalueerde PointRM op verschillende standaard 3D‑benchmarks, waaronder verzamelingen alledaagse objecten en vormen met gelabelde onderdelen. Over deze tests heen evenaarde of overtrof de nieuwe methode de nauwkeurigheid van toonaangevende systemen gebaseerd op meer traditionele neurale netwerken en Transformer‑modellen, terwijl het minder bewerkingen gebruikte. De auteurs richtten zich vervolgens op hun hoofddoel: het classificeren van echte Terracotta‑fragmenten in vier categorieën – armen, torsen, hoofden en benen – uit zorgvuldig gereinigde en gedownsamplede scans. Van bijna twaalfduizend fragmenten identificeerde PointRM meer dan 96 procent correct, daarmee eerdere gespecialiseerde methoden voorbijstrevend en stabiel blijvend zelfs wanneer de invoergegevens ruisiger of schaarser werden gemaakt.

Wat dit betekent voor de oude soldaten

Voor niet‑specialisten is de belangrijkste conclusie dat dit werk archeologen en conservatoren een krachtig nieuw “sorteringsmechanisme” voor 3D‑fragmenten biedt. In plaats van uitsluitend te vertrouwen op moeizame handmatige inspectie, kunnen teams nu PointRM gebruiken om snel grote aantallen stukken op waarschijnlijke lichaamsdelen te groeperen, misleidende fragmenten te filteren en gerichtere sets voor detailmatching en reconstructie voor te bereiden. Hoewel de methode technische beperkingen heeft – zoals moeite met extreem schaars gescande data – markeert ze een belangrijke stap richting volledig digitale restauratiepijplijnen die de fragiele originelen respecteren en tegelijkertijd meer onthullen over hoe de Terracotta‑soldaten gemaakt werden en hoe ze ooit samenstonden in het uitgestrekte ondergrondse leger van de keizer.

Bronvermelding: 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

Trefwoorden: Terracotta‑soldaten, 3D‑puntenwolken, cultureel erfgoed, classificatie van fragmenten, deep learning