Переизмерение в частотной области для многомасштабной реконструкции поверхностей: к цифровому моделированию культурного наследия

Почему это важно для любителей истории

Многие из самых красивых артефактов мира — хрупкие фарфоровые чайники, резные курильницы, ветхие статуи — нельзя трогать или реставрировать без риска повреждений. Музеи всё чаще прибегают к цифровым копиям, чтобы изучать и сохранять эти ценности. В этой статье предложен новый способ превращения данных сканирования в высокоточные 3D-модели, которые фиксируют как тонкие узоры, так и скрытую внутреннюю структуру, при этом процесс остается достаточно эффективным для использования на реальных коллекциях.

От сырых сканов к цифровым двойникам

Для оцифровки артефактов исследователи используют такие технологии, как лазерное сканирование и компьютерная томография (КТ). Лазерные сканеры фиксируют внешнюю поверхность, а КТ захватывает и внешний вид, и внутреннюю структуру в виде набора градационных срезов. Эти сканы затем преобразуют в облака точек: миллионы крошечных 3D-точек, указывающих положение поверхности объекта. Задача — преобразовать это облако точек, которое часто бывает неравномерным, зашумлённым или неполным, в гладкую непрерывную поверхность, точно воспроизводящую оригинал без разрывов и искажений.

Проблема современных цифровых оболочек

Существующие методы восстановления поверхности часто сталкиваются с компромиссами. Некоторые дают герметичные гладкие модели, но сглаживают острые кромки, резные детали или тонкие элементы, важные для искусства и археологии. Другие сохраняют локальные детали, но оказываются уязвимы к шуму и нерегулярной дискретизации, что типично для реальных данных сканирования. Стандартные методы КТ, такие как алгоритм Marching Cubes, могут давать «рябь» на поверхности и опираться на фиксированные сетки, которые требуют много памяти и всё равно пропускают тонкие узоры. Подходы на основе глубинного обучения помогают, но вычислительно дороги и могут вносить артефакты или деформации.

Более разумный способ дискретизации формы

Авторы предлагают многомасштабный подход, который адаптируется к сложности объекта. Они строят октодерево — 3D-сетку, которая автоматически делит пространство на более мелкие кубы там, где поверхность сильно изгибается, и оставляет крупные кубы в более гладких областях. Чтобы решить, где действительно требуется уточнение, они заимствуют идею «переизмерения» из обработки сигналов: так же как звукоинженеры плотнее сэмплируют быстро меняющиеся звуки, алгоритм плотнее дискретизирует участки поверхности с высокой кривизной. Кривизна оценивается устойчиво, чтобы случайный шум не заставил метод переусердствовать на бессмысленных пиках. Такая стратегия даёт плотную дискретизацию только там, где она действительно улучшает реконструкцию, экономя как память, так и время.

Формирование невидимой поверхности

Внутри этой адаптивной сетки поверхность не рисуется напрямую, а задаётся неявной функцией — математическим «полем», которое равно нулю ровно на поверхности и принимает положительные или отрицательные значения по разные стороны. Новый метод подбирает эту функцию глобально так, чтобы она согласовывалась и с позициями, и с направлениями входных точек. Он требует, чтобы наклон функции возле каждой точки совпадал с локальной ориентацией поверхности и при этом поле оставалось хорошо обусловленным в целом, избегая волнистых артефактов. Задача формулируется как минимизация энергии и решается эффективно с помощью многоуровневой численной схемы и параллельных вычислений. Наконец, специализированный шаг извлечения изоповерхности преобразует это невидимое поле в чистую, герметичную треугольную сетку, пригодную для визуализации и анализа.

Проверка на артефактах и не только

Исследователи протестировали свою технику на стандартных 3D-моделях, очень больших облаках точек с десятками миллионов точек и на реальных данных культурного наследия из КТ и лазерного сканирования. По сравнению с устоявшимися методами и рядом современных нейронных подходов их алгоритм даёт меньшую геометрическую ошибку, сохраняет тонкие детали — носики чайников, резные мотивы и гравировки — и делает это с меньшим числом ячеек сетки и за более короткое время. Он также стабилен при добавлении шума, поддерживая гладкость поверхностей без размывания важных особенностей, и масштабируется на массивные наборы данных, такие как известная статуя Люси.

Что это значит для сохранения прошлого

Для неспециалистов ключевой вывод в том, что теперь можно создавать более правдоподобные цифровые аналоги хрупких артефактов, фиксируя и общую форму, и тонкую отделку поверхности с меньшими компромиссами. Комбинируя адаптивную дискретизацию с точно контролируемым математическим описанием поверхности, метод обеспечивает высокоразрешённые модели, которые одновременно надёжны и экономичны в вычислениях. Это укрепляет цифровую основу, на которой всё чаще базируются решения по сохранению, виртуальным реставрациям и музейным экспозициям, помогая сохранить тонкие детали культурного наследия от утраты со временем.

Цитирование: Tuo, M., Jin, S., Jia, C. et al. Frequency-domain oversampling for multi-resolution surface reconstruction: towards digital modeling of cultural heritage. npj Herit. Sci. 14, 244 (2026). https://doi.org/10.1038/s40494-026-02482-y

Ключевые слова: 3D-реконструкция поверхности, оцифровка культурного наследия, КТ-сканирование, моделирование облака точек, цифровое сохранение