За пределами перекомпоновки освещения: RTI для кластеризации фрагментированных текстильных памятников с помощью глубокого обучения

Воссоединяя прошлое

Археологические текстили часто доходят до нас в виде крошечных, рассыпающихся лоскутков, а не в виде целых одежд или гобеленов. Тем не менее эти хрупкие нити способны рассказать о том, как люди одевались, какие сюжеты они изображали на тканях и насколько развитыми были их ремёсла и торговля. В статье предложен новый компьютерный подход, который помогает кураторам и археологам сортировать и группировать такие фрагменты: используется специальный способ подсветки и современные методы анализа изображений, чтобы предположить, какие куски могли когда‑то принадлежать одному целому.

Освещение под разными углами

Суть работы — метод визуализации, называемый Reflectance Transformation Imaging, или RTI. Вместо одного снимка ткани RTI фиксирует десятки изображений при освещении с разных направлений внутри контролируемого купола. Это не даёт полного 3D‑моделя, но регистрирует то, как поверхность отражает свет, выявляя мельчайшие выпуклости, нити и изношенные участки, которых не покажет обычная цветная фотография. По сравнению со стандартной съёмкой RTI предоставляет гораздо более богатую информацию о текстуре и состоянии поверхности и делает это без касаний и без повреждения объекта.

Преобразование света в числа

Чтобы использовать эти богатые данные, авторы сначала сжимаются каждый набор RTI в упрощённое изображение, которое отражает обобщённый, независимый от освещения вид поверхности ткани. Для описания отклика каждой точки полотна на свет, падающий с разных направлений, они применяют математическую технику, называемую гемисферическими гармониками. Сохраняя только базовый компонент этого описания, получают изображение, фиксирующее устойчивый цвет и рассеянное отражение ткани, снижая влияние теней и бликов. Это особенно важно для старых, неравномерных фрагментов, где небольшие изменения положения или освещения могли бы ввести анализ в заблуждение.

Обучая компьютер «видеть» ткань

Далее команда подаёт эти обработанные RTI‑изображения в модель глубокого обучения, изначально натренированную на миллионах бытовых фотографий. Хотя модель, известная как ResNet‑50, не создавалась специально для археологии, её ранние слои отлично распознают такие паттерны, как линии, текстуры и формы. Для каждого фрагмента модель формирует длинный список чисел — вектор признаков, суммирующий визуальные характеристики ткани: структуру переплетения, орнамент, распределение цвета и признаки повреждений. Поскольку это описание очень детальное, оно существует в пространстве с более чем двумя тысячами измерений, далеко за пределами прямого понимания человека.

Выявление кластеров в хаосе

Чтобы преобразовать это сложное описание в удобную форму для археологов, исследователи применяют методы снижения размерности, сжимающие высокоразмерные признаки до двумерной карты. На этой карте фрагменты с похожими свойствами поверхности оказываются близко друг к другу, тогда как разные располагаются дальше. Затем используют стандартные алгоритмы кластеризации, такие как k‑means и спектральная кластеризация, чтобы автоматически группировать, по‑видимому, связанные фрагменты. Метод протестирован на двух коллекциях текстиля: знаменитых текстильных остатках эпохи викингов из захоронения Осеберг, сохранившихся лишь в рассеянных кусках, и на польском драгуне‑знаменосце, где оригинальный объект известен и цифровым образом разрезан на тестовые фрагменты.

Лучше, чем обычные фотографии

Сравнивая результаты, полученные на базе RTI, с результатами, полученными из одиночных хорошо освещённых цветных фотографий тех же фрагментов, авторы показывают, что RTI даёт более чёткие и согласованные группировки. Разделённые куски одного и того же исходного текстиля оказываются ближе друг к другу в пространстве признаков RTI, а контрольные наборы из коллекции знамени формируют плотные отдельные кластеры. RTI‑подход также поддерживает простую задачу «поиска по изображению»: имея один фрагмент, система может предложить другие фрагменты, наиболее вероятно к нему подходящие, что может существенно сократить ручную работу специалистов при разборе больших коллекций.

Что это значит для воссоздания истории

Проще говоря, исследование демонстрирует: подсвечивая ткани со многих направлений и анализируя полученные паттерны с помощью глубокого обучения, компьютеры начинают «замечать» те же тонкие признаки, на которые ориентируются эксперты‑люди: толщину нити, переплетение, износ и едва заметные мотивы. Хотя подход пока не восстанавливает целые предметы одежды самостоятельно и ограничен отсутствием надёжных эталонов для многих археологических находок, он предлагает мощный, неразрушающий инструмент, позволяющий сузить круг фрагментов, вероятно относящихся к одному и тому же объекту. Со временем такие инструменты могут помочь музеям и археологам превратить беспорядочные груды древней ткани в более полные и надёжные рассказы о людях, которые их ткали и носили.

Цитирование: 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

Ключевые слова: археологические текстили, имеджинг с трансформацией отражения, глубокое обучение, воссоздание культурного наследия, кластеризация изображений