System klasyfikacji chmur punktów Residual Mamba dla fragmentów trójwymiarowych Żołnierzy Terakotowych

Dlaczego połamane posągi nadal mają znaczenie

Żołnierze Terakotowi należą do najbardziej rozpoznawalnych odkryć archeologicznych na świecie, a jednak wiele z tych naturalnej wielkości glinianych postaci przetrwało jedynie jako rozrzucone fragmenty. Składanie ich z powrotem jest jak rozwiązywanie trójwymiarowej układanki z tysiącami brakujących i mylących elementów. W tym badaniu przedstawiono nową metodę sztucznej inteligencji, która analizuje szczegółowe skany 3D fragmentów, aby sortować je według części ciała, przyspieszając cyfrową rekonstrukcję i pomagając konserwatorom zrozumieć, jak zbudowane były oryginalne posągi.

Z rozsypanych odłamków do cyfrowych punktów

Nowoczesne skanery potrafią odwzorować kształt każdego fragmentu jako „chmurę punktów” – miliony malutkich punktów w przestrzeni, które śledzą każdy garb, krzywiznę i krawędź złamania na glinianej powierzchni. Surowe chmury punktów 3D zachowują znacznie więcej szczegółów niż fotografie, ale jednocześnie są trudniejsze do interpretacji dla komputerów. Wcześniejsze podejścia upraszczały dane, albo tnąc je na obrazy 2D, albo zapełniając siatki 3D. Oba skróty ułatwiały obliczenia, ale rozmywały drobną strukturę powierzchni, która ma kluczowe znaczenie przy rozróżnianiu fragmentu ramienia od fragmentu nogi.

Nauczanie komputerów czytania drobnych detali

Naukowcy opracowali nowy system nazwany PointRM, który działa bezpośrednio na oryginalnych punktach 3D, bez spłaszczania czy upraszczania. Najpierw metoda dzieli chmurę punktów fragmentu na wiele małych sąsiedztw, wykorzystując próbkowanie i wyszukiwanie najbliższych sąsiadów. W każdym sąsiedztwie łączy dokładne współrzędne przestrzenne punktów z wyuczonymi wartościami „cech”, podsumowującymi lokalny kształt. Specjalny moduł następnie scala te elementy informacji geometrycznej i opisowej, uwydatniając subtelne krzywizny i grzbiety, które oznaczają na przykład krawędź rękawa lub zgięcie kolana.

Pozwalając modelowi dostrzec szerszy kontekst

Gdy lokalne grupy są zbudowane, PointRM musi jeszcze zdecydować, które cechy są najważniejsze globalnie. W tym celu ocenia każdą lokalną płytkę pod kątem istotności, a następnie porządkuje je w dwa lustrzane ciągi: jeden biegnący od największej do najmniejszej ważności, drugi w odwrotnej kolejności. Uporządkowane sekwencje trafiają do modułu „residual Mamba” — nowego typu sieci przetwarzającej sekwencje, który potrafi śledzić zależności na długim dystansie między wieloma płytkami przy stosunkowo niewielkim koszcie obliczeniowym. Skanując te płytki w obu kierunkach, model uczy się, jak odległe obszary tego samego fragmentu odnoszą się do siebie — kluczowy krok w rozpoznawaniu niekompletnych i nieregularnych elementów.

Próba metody

Zespół przetestował PointRM na kilku standardowych benchmarkach 3D, w tym na zbiorach przedmiotów codziennego użytku i kształtów z oznaczonymi częściami. W tych testach nowa metoda dorównała lub przewyższyła dokładność wiodących systemów opartych na tradycyjnych sieciach neuronowych i modelach Transformer, przy mniejszej liczbie operacji. Autorzy zwrócili się następnie do głównego celu: klasyfikacji rzeczywistych fragmentów Żołnierzy Terakotowych na cztery kategorie — ramiona, tułowia, głowy i nogi — na podstawie starannie oczyszczonych i przepobieranych skanów. Z prawie dwunastu tysięcy fragmentów PointRM poprawnie zidentyfikował ponad 96 procent, wyprzedzając wcześniejsze wyspecjalizowane metody i pozostając stabilnym nawet przy zaszumionych lub rzadszych danych wejściowych.

Co to oznacza dla starożytnych żołnierzy

Dla osób spoza specjalności kluczowy wniosek jest taki, że to badanie daje archeologom i konserwatorom potężny nowy „silnik sortujący” dla fragmentów 3D. Zamiast polegać wyłącznie na mozolnej inspekcji ręcznej, zespoły mogą teraz użyć PointRM, aby szybko grupować duże zbiory części według prawdopodobnej lokalizacji anatomicznej, odfiltrowywać mylące fragmenty i przygotowywać bardziej ukierunkowane zestawy do szczegółowego dopasowania i rekonstrukcji. Chociaż metoda ma ograniczenia techniczne — na przykład trudności ze skanami ekstremalnie rzadkimi — stanowi ważny krok w kierunku w pełni cyfrowych procesów rekonstrukcji, które chronią kruche oryginały, jednocześnie odsłaniając więcej informacji o tym, jak wykonano Żołnierzy Terakotowych i jak kiedyś stali razem w rozległej podziemnej armii cesarza.

Cytowanie: 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

Słowa kluczowe: Żołnierze Terakotowi, chmury punktów 3D, dziedzictwo kulturowe, klasyfikacja fragmentów, uczenie głębokie