Ponad ponownym oświetlaniem: RTI do grupowania fragmentarycznych tekstyliów dziedzictwa z wykorzystaniem uczenia głębokiego

Składanie przeszłości

Tekstylia archeologiczne często docierają do nas jako maleńkie, kruszące się skrawki, a nie kompletne stroje czy gobeliny. A jednak te kruche nici mogą ujawniać, jak się ubierano, jakie opowieści tkanino przekazywała i jak zaawansowane były rzemiosło i handel. Niniejszy artykuł przedstawia nowe komputerowe podejście, które pomaga kuratorom i archeologom sortować i grupować takie fragmenty, wykorzystując specjalny sposób oświetlenia i nowoczesną analizę obrazów, by zasugerować, które części mogły niegdyś należeć do tego samego obiektu.

Światło padające z wielu kątów

Istotą pracy jest metoda obrazowania zwana Reflectance Transformation Imaging, w skrócie RTI. Zamiast wykonać jedno zdjęcie tkaniny, RTI rejestruje dziesiątki obrazów, oświetlając obiekt z wielu kierunków wewnątrz kontrolowanej kopuły. To nie daje pełnego modelu 3D, ale zapisuje, jak powierzchnia odbija światło, ujawniając drobne wybrzuszenia, nici i zużyte miejsca, których zwykłe zdjęcie kolorowe nie pokaże. W porównaniu ze standardową fotografią RTI oferuje znacznie bogatszą informację o fakturze i stanie powierzchni, i robi to bez dotykania czy uszkadzania obiektu.

Przekształcanie światła w liczby

Aby wykorzystać te bogate dane, autorzy najpierw kompresują każdy zestaw RTI do uproszczonego obrazu, który reprezentuje ogólny, niezależny od oświetlenia wygląd powierzchni tkaniny. Używają techniki matematycznej zwanej harmonicznymi półsferycznymi do opisania, jak każdy punkt na materiale reaguje na światło padające z różnych kierunków. Zachowując tylko składową bazową tego opisu, otrzymują obraz oddający stabilny kolor i rozproszoną refleksję tkaniny, przyćmiewając cienie i błyszczące miejsca. Jest to szczególnie ważne w przypadku starych, nierównych fragmentów, gdzie niewielkie zmiany w pozycjonowaniu czy oświetleniu mogłyby wprowadzić analizę w błąd.

Uczenie komputera rozpoznawania tkaniny

Następnie zespół wprowadza te przetworzone obrazy RTI do modelu uczenia głębokiego, początkowo trenowanego na milionach codziennych fotografii. Chociaż model ten, znany jako ResNet-50, nie został zbudowany specjalnie dla archeologii, jego wczesne warstwy świetnie wykrywają wzory takie jak linie, faktury i kształty. Dla każdego fragmentu model generuje długą listę liczb — wektor cech — który podsumowuje wizualny charakter tkaniny, w tym strukturę splotu, zdobienia, rozkład kolorów i ślady uszkodzeń. Ponieważ opis jest tak szczegółowy, żyje w przestrzeni ponad dwóch tysięcy wymiarów, daleko poza tym, co ludzie łatwo zinterpretują.

Dostrzeganie skupisk w chaosie

Aby przekształcić ten złożony opis w coś użytecznego dla archeologów, badacze stosują narzędzia redukcji wymiarów, które ściskają wysokowymiarowe cechy do dwuwymiarowej mapy. Na tej mapie fragmenty o podobnych właściwościach powierzchni zwykle leżą blisko siebie, podczas gdy różne są od siebie dalej. Następnie stosują standardowe metody grupowania, takie jak k‑means czy klasteryzacja spektralna, by automatycznie grupować fragmenty wydające się spokrewnione. Metodę testowano na dwóch zbiorach tekstyliów: słynnych tkanin z okresu wikingów z grobu Oseberg, które zachowały się jedynie jako porozrzucane kawałki, oraz na polskim sztandarze dragonów, gdzie oryginalny obiekt jest znany i cyfrowo pocięty na testowe fragmenty.

Lepsze niż zwykłe fotografie

Porównując wyniki oparte na RTI z tymi uzyskanymi ze pojedynczych, starannie oświetlonych zdjęć kolorowych tych samych fragmentów, autorzy wykazują, że RTI daje wyraźniejsze i bardziej spójne grupowania. Rozcięte części tego samego oryginalnego tekstylu są umieszczane bliżej siebie w przestrzeni cech RTI, a znane zestawy ze zbioru kontrolnego tworzą zwarte, odrębne skupiska. Ramy RTI wspierają też proste zadanie „wyszukiwania obrazem”: mając jeden fragment, system może zasugerować inne fragmenty najprawdopodobniej pasujące, co znacznie zmniejszałoby manualny wysiłek ekspertów przy sortowaniu dużych kolekcji.

Co to oznacza dla odbudowy historii

Mówiąc prosto, badanie pokazuje, że oświetlanie tkanin z wielu kierunków i analizowanie powstałych wzorców za pomocą uczenia głębokiego pomaga komputerom „dostrzec” te same subtelne wskazówki, których używają eksperci: grubość nici, splot, zużycie i słabe motywy. Chociaż podejście nie rekonstruuje jeszcze samo w sobie całych ubrań — i jest ograniczone brakiem pewnych danych odniesienia dla wielu znalezisk archeologicznych — oferuje potężny, nieinwazyjny sposób zawężania, które fragmenty prawdopodobnie należały do tego samego oryginalnego obiektu. Z czasem takie narzędzia mogą pomóc muzeom i archeologom przekształcać nieuporządkowane sterty starożytnej tkaniny w pełniejsze i bardziej wiarygodne opowieści o ludziach, którzy je tkali i nosili.

Cytowanie: 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

Słowa kluczowe: tekstylia archeologiczne, Reflectance Transformation Imaging, uczenie głębokie, rekonstrukcja dziedzictwa kulturowego, grupowanie obrazów