Cyfrowa rekonstrukcja zabytków kultury oparta na modelowaniu 3D i widzeniu maszynowym

Przywracanie do życia połamanych skarbów

Obiekty muzealne, takie jak antyczne naczynia ceramiczne czy naczynia brązowe, często trafiają do nas spękane, niekompletne lub wytarte. Ręczna rekonstrukcja wymaga dużego warsztatu i wielu godzin pracy, a każdy dotyk niesie ryzyko dalszych uszkodzeń. Badanie pokazuje, jak komputery mogą dziś pomagać opiekunom dziedzictwa w odbudowie zarówno kształtu, jak i dekoracji powierzchni uszkodzonych artefaktów w formie cyfrowej, tworząc szczegółowe modele 3D, które można badać, udostępniać i eksponować bez narażania oryginałów.

Dlaczego uszkodzone zabytki trudno naprawić

Zabytki kultury są materialnymi śladami dawnych społeczeństw, lecz wieki pochówku, działania warunków atmosferycznych i użytkowania pozostawiają je wyszczerbione, wyblakłe lub pozbawione dużych fragmentów. Tradycyjna naprawa opiera się na oku i doświadczeniu konserwatora, co czyni ją wolną, kosztowną i niekiedy niespójną. Szczególnie trudne jest odgadnięcie, jak brakujące wzory przebiegały po zakrzywionej misie czy wazonie. W miarę wzrostu kolekcji i wykopalisk muzea potrzebują metod zdolnych obsłużyć dużą liczbę obiektów, zachowując przy tym drobne detale przy minimalnej ingerencji fizycznej.

Uchwycenie pełnego kształtu w trzech wymiarach

Naukowcy najpierw skupiają się na odbudowie kompletnej formy obiektu. Skanują zabytek laserami i kamerami, zbierając gęsty chmurn punktów oznaczających jego powierzchnię w przestrzeni. Dane surowe są oczyszczane i wyrównywane, następnie algorytmy wyszukują punkty kluczowe i stabilne cechy w nakładających się skanach, łącząc je w jeden model. Starannie dobrana metoda siatkowa przekształca tę chmurę punktów w gładką sieć drobnych trójkątów, które podążają za krzywiznami i grzbietami obiektu. Specjalna sieć o dwuwężowym układzie uczy się wypełniać brakujące obszary chmury punktów, porównując przewidywane punkty z rzeczywistymi przykładami, co pozwala uzyskać pełny model 3D nawet gdy oryginał jest niekompletny.

Ponowne malowanie wytartych wzorów za pomocą inteligentnych obrazów

Gdy geometria jest kompletna, metoda odtwarza tekstury powierzchni, takie jak pasy malowane czy rytowane motywy. Zespół wykorzystuje klasę narzędzi sztucznej inteligencji zwanych generatywnymi sieciami przeciwstawnymi (GAN), które uczą się tworzyć nowe obrazy przypominające prawdziwe. Rozszerzają tę ideę za pomocą warunkowego projektu, który pozwala systemowi uwzględniać wskazówki dotyczące rodzaju tworzonej faktury. Dodatkowe zabiegi pomagają skupić się na istotnych elementach: filtry gradientowe uwypuklają ostre zmiany tam, gdzie powinny być krawędzie, a „sterowane” obliczenia informują sieć, które części obrazu warto bardziej zaufać. Etap uwagi kontekstowej pozwala systemowi pożyczać fragmenty z nieuszkodzonych obszarów do wypełniania ubytków, tak aby linie i motywy kontynuowały się płynnie przez naprawianą strefę.

Testowanie metody na rzeczywistych eksponatach muzealnych

Aby ocenić skuteczność podejścia, autorzy trenują i testują je na publicznych modelach 3D obiektów z brązu i ceramiki oraz na obszernej kolekcji próbek tekstur. Porównują uzupełnianie chmur punktów i naprawę tekstur z kilkoma wiodącymi metodami komputerowymi. W wielu miarach dokładności kształtu i jakości obrazu ich system konsekwentnie popełnia mniejsze błędy, generuje gładsze krawędzie i działa szybciej. Jasność i kolor przywróconych powierzchni bardziej zbliżają się do wzorcowych kart, zmniejszając widoczne niezgodności. W praktycznych próbach na miskach i wazonach zarówno ogólna forma, jak i misternie zdobione pasy wyglądają bardziej ciągłe i naturalne niż przy technikach konkurencyjnych.

Jak eksperci ocenili cyfrowe naprawy

Powyżej liczb zespół poprosił też oceniających ludzi o wystawienie not bez informacji, jaka metoda została użyta. Recenzenci oceniali, jak kompletne wydają się zdobienia i jak naturalnie prezentują się naprawione obszary obok oryginalnych powierzchni. Nowa metoda uzyskała najwyższe oceny, przy większości not na najwyższym poziomie za wizualną gładkość i tylko niewielkim odsetkiem ocen uznanych za wyraźnie sztuczne. Testy krok po kroku również pokazują, że każdy dodany element, taki jak warunkowe prowadzenie, sterowanie i uwaga kontekstowa, przyczynia się do lepszej ciągłości i realizmu w ostatecznych modelach.

Co to oznacza dla muzeów i publiczności

Badanie konkluduje, że połączenie starannego skanowania 3D z zaawansowanym uczeniem obrazu może cyfrowo odtwarzać uszkodzone zabytki z wysoką dokładnością i szybkością. Kuratorzy mogą eksplorować „ukończone” wersje delikatnych obiektów bez dalszego ich dotykania, tworzyć wierne repliki do ekspozycji lub celów edukacyjnych oraz zachowywać szczegółowe zapisy do przyszłych badań. Choć obecna praca koncentruje się na elementach z brązu i ceramiki w stabilnych warunkach wnętrz, te same pomysły można rozszerzyć na inne materiały i surowsze środowiska. W ten sposób narzędzia cyfrowe stają się partnerami ekspertów, pomagając chronić skarby kultury i udostępniać je szerszej publiczności.

Cytowanie: Yu, J., Li, H. Digital restoration of cultural relics based on 3D modeling and machine vision. Sci Rep 16, 15124 (2026). https://doi.org/10.1038/s41598-026-45060-9

Słowa kluczowe: dziedzictwo kulturowe, modelowanie 3D, restauracja obrazu, widzenie maszynowe, GAN