Uma estrutura residual mamba para classificação de nuvens de pontos de fragmentos de Guerreiros de Terracota em 3D

Por que estátuas quebradas ainda importam

Os Guerreiros de Terracota estão entre as descobertas arqueológicas mais icônicas do mundo, mas muitos desses soldados de argila em tamanho natural sobrevivem agora apenas como fragmentos espalhados. Reconstituí‑los é como enfrentar um quebra‑cabeça tridimensional com milhares de peças faltantes e enganosas. Este estudo apresenta um novo método de inteligência artificial que analisa diretamente digitalizações 3D detalhadas dos fragmentos para classificá‑los por parte do corpo, com o objetivo de acelerar a restauração digital e ajudar os conservadores a entender como as estátuas originais foram construídas.

De fragmentos dispersos a pontos digitais

Scanners modernos podem capturar a forma de cada fragmento como uma “nuvem de pontos” — milhões de pequenos pontos no espaço que traçam cada saliência, curva e aresta de ruptura na superfície de argila. Essas nuvens de pontos 3D brutas preservam muito mais detalhe do que fotografias, mas também são mais difíceis para os computadores interpretarem. Abordagens anteriores tentaram simplificar os dados, seja fatiando‑os em imagens 2D ou agrupando‑os em grades 3D. Ambos os atalhos facilitaram os cálculos, mas borraram parte da estrutura fina da superfície que mais importa quando se tenta distinguir um fragmento de braço de um fragmento de perna.

Ensinando computadores a ler detalhes finos

Os pesquisadores projetaram um novo sistema chamado PointRM que trabalha diretamente nos pontos 3D originais sem achatá‑los ou torná‑los mais grosseiros. Primeiro, o método divide a nuvem de pontos de um fragmento em muitas pequenas vizinhanças usando amostragem e buscas por vizinhos mais próximos. Dentro de cada vizinhança, combina as coordenadas espaciais exatas dos pontos com valores “de característica” aprendidos que resumem a forma local. Um módulo especializado então funde esses fragmentos de informação geométrica e de aparência, destacando curvas e cristas sutis que indicam, por exemplo, a borda de uma manga ou a dobra de um joelho.

Permitindo que o modelo veja o quadro geral

Uma vez construídos esses grupos locais, o PointRM ainda precisa decidir quais características importam mais no conjunto. Para isso, ele pontua cada patch local por importância e então os reordena em duas sequências espelhadas: uma indo de alta importância para baixa, e a outra no sentido inverso. Essas sequências ordenadas alimentam um módulo “residual Mamba”, um novo tipo de rede de processamento de sequências que pode traçar relações de longo alcance através de muitos patches com custo computacional relativamente baixo. Ao escanear esses patches em direções avançada e reversa, o modelo aprende como regiões distantes do mesmo fragmento se relacionam entre si — um passo fundamental para reconhecer peças incompletas e irregulares.

Colocando o método à prova

A equipe avaliou o PointRM em vários benchmarks 3D padrão, incluindo coleções de objetos cotidianos e formas com partes rotuladas. Nesses testes, o novo método igualou ou superou a precisão de sistemas líderes baseados em redes neurais tradicionais e modelos Transformer, enquanto usava menos operações. Os autores então voltaram‑se ao objetivo principal: classificar fragmentos reais dos Guerreiros de Terracota em quatro categorias — braços, corpos, cabeças e pernas — a partir de digitalizações cuidadosamente limpas e reamostradas. De quase doze mil fragmentos, o PointRM identificou corretamente mais de 96 por cento, superando métodos especializados anteriores e mantendo estabilidade mesmo quando os dados de entrada foram tornados mais ruidosos ou esparsos.

O que isso significa para os antigos soldados

Para não especialistas, a conclusão principal é que este trabalho fornece a arqueólogos e conservadores um novo e poderoso “motor de triagem” para fragmentos 3D. Em vez de depender exclusivamente de inspeção manual meticulosa, equipes agora podem usar o PointRM para agrupar rapidamente grande número de peças por parte corporal provável, filtrar fragmentos enganosos e preparar conjuntos mais focados para emparelhamento detalhado e reconstrução. Embora o método tenha limitações técnicas — como dificuldade com digitalizações extremamente esparsas — ele representa um passo importante rumo a pipelines de restauração totalmente digitais que respeitam os originais frágeis enquanto revelam mais sobre como os Guerreiros de Terracota foram feitos e como eles uma vez estiveram juntos no vasto exército subterrâneo do imperador.

Citação: 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

Palavras-chave: Guerreiros de Terracota, nuvens de pontos 3D, patrimônio cultural, classificação de fragmentos, aprendizado profundo