Além da reiluminação: RTI para agrupar têxteis patrimoniais fragmentados usando aprendizado profundo

Juntando o Passado

Os têxteis arqueológicos frequentemente chegam até nós como pequenos retalhos esfarelados em vez de roupas ou tapeçarias completas. Ainda assim, esses fios frágeis podem revelar como as pessoas se vestiam, que histórias contavam em tecido e quão avançadas eram suas técnicas e comércio. Este artigo apresenta um novo método computacional para ajudar curadores e arqueólogos a classificar e agrupar tais fragmentos, usando um tipo especial de iluminação e análise de imagem moderna para sugerir quais peças podem ter pertencido ao mesmo original.

Iluminando de Muitos Ângulos

O cerne do trabalho é um método de imagem chamado Reflectance Transformation Imaging, ou RTI. Em vez de tirar apenas uma fotografia do têxtil, o RTI captura dezenas de imagens enquanto ilumina a peça de várias direções dentro de uma cúpula controlada. Isso não produz um modelo 3D completo, mas registra como a superfície reflete a luz, revelando pequenas saliências, fios e áreas desgastadas que uma foto colorida normal não mostra. Em comparação com a fotografia convencional, o RTI oferece informações muito mais ricas sobre textura e condição da superfície, e faz isso sem tocar ou danificar o objeto.

Transformando Luz em Números

Para aproveitar esses dados ricos, os autores primeiro comprimem cada conjunto de RTI em uma imagem simplificada que representa a aparência geral e independente de iluminação da superfície do tecido. Eles usam uma técnica matemática chamada harmônicos hemisféricos para descrever como cada ponto do tecido responde à luz que vem de diferentes direções. Mantendo apenas o componente base dessa descrição, obtêm-se uma imagem que captura a cor estável do tecido e a refletância difusa, reduzindo a ênfase em sombras e pontos brilhantes. Isso é especialmente importante em fragmentos antigos e irregulares, onde pequenas mudanças na posição ou na iluminação poderiam enganar a análise.

Ensinando o Computador a Ver Tecido

Em seguida, a equipe alimenta essas imagens RTI processadas em um modelo de aprendizado profundo originalmente treinado em milhões de fotografias do cotidiano. Embora esse modelo, conhecido como ResNet-50, não tenha sido construído especificamente para arqueologia, suas camadas iniciais são muito boas em detectar padrões como linhas, texturas e formas. Para cada fragmento, o modelo produz uma longa lista de números — um vetor de características — que resume o caráter visual do tecido, incluindo a estrutura da trama, decoração, distribuição de cores e sinais de dano. Como essa descrição é muito detalhada, ela vive em um espaço com mais de dois mil dimensões, muito além do que humanos conseguem interpretar facilmente.

Vendo Agrupamentos no Caos

Para transformar essa descrição complexa em algo útil para arqueólogos, os pesquisadores aplicam ferramentas de redução de dimensionalidade que comprimem as características de alta dimensionalidade em um mapa bidimensional. Nesse mapa, fragmentos com propriedades de superfície semelhantes tendem a ficar próximos, enquanto os diferentes se dispõem mais afastados. Em seguida, aplicam-se métodos de agrupamento padrão, como k-means e agrupamento espectral, para agrupar automaticamente fragmentos que parecem relacionados. O método é testado em duas coleções têxteis: os famosos têxteis do enterro de Oseberg, da Era Viking, que sobrevivem apenas como pedaços dispersos, e um estandarte de dragões polonês, cujo objeto original é conhecido e foi digitalmente recortado em fragmentos de teste.

Superando Fotografias Comuns

Ao comparar os resultados baseados em RTI com aqueles obtidos a partir de uma única fotografia colorida bem iluminada dos mesmos fragmentos, os autores mostram que o RTI produz agrupamentos mais claros e consistentes. Pedaços separados do mesmo têxtil original ficam mais próximos no espaço de características do RTI, e conjuntos conhecidos da coleção de controle do estandarte formam aglomerados distintos e compactos. A estrutura RTI também suporta uma simples tarefa de “busca por imagem”: dada uma peça, o sistema pode sugerir outros fragmentos com maior probabilidade de corresponder, o que pode reduzir muito o esforço manual de especialistas ao vasculhar grandes acervos.

O Que Isso Significa para Reconstruir a História

Em termos simples, o estudo demonstra que iluminar têxteis de muitos ângulos e analisar os padrões resultantes com aprendizado profundo ajuda computadores a “notar” as mesmas pistas sutis que especialistas humanos usam: espessura dos fios, trama, desgaste e motivos tênues. Embora a abordagem ainda não reconstrua trajes inteiros por si só — e seja limitada pela falta de verdades de base sólidas para muitos achados arqueológicos —, ela oferece uma forma poderosa e não destrutiva de reduzir o número de fragmentos que provavelmente pertencem ao mesmo objeto original. Com o tempo, tais ferramentas podem ajudar museus e arqueólogos a transformar pilhas desordenadas de tecido antigo em histórias mais completas e confiáveis sobre as pessoas que os teceram e usaram.

Citação: 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

Palavras-chave: têxteis arqueológicos, imagens de transformação de refletância, aprendizado profundo, reconstrução do patrimônio cultural, agrupamento de imagens