Фреймворк классификации облаков точек Residual Mamba для 3D‑фрагментов терракотовых воинов

Почему сломанные статуи всё ещё важны

Терракотовые воины — одни из самых знаковых археологических находок в мире, однако многие из этих полноразмерных глиняных солдат дошли до нас только в виде отдельных осколков. Сложить их обратно — всё равно что собрать трёхмерную головоломку‑пазл с тысячами отсутствующих и вводящих в заблуждение деталей. В этом исследовании представлен новый метод искусственного интеллекта, который напрямую анализирует подробные 3D‑сканы фрагментов, чтобы сортировать их по части тела, с целью ускорить цифровую реставрацию и помочь реставраторам понять, как были созданы исходные статуи.

От разбросанных осколков к цифровым точкам

Современные сканеры могут фиксировать форму каждого фрагмента как «облако точек» — миллионы крошечных точек в пространстве, которые повторяют каждую выпуклость, изгиб и линию излома на глиняной поверхности. Эти сырые 3D‑облака точек сохраняют значительно больше деталей, чем фотографии, но компьютерам их анализировать сложнее. Ранние подходы пытались упростить данные, либо разрезая их на 2D‑изображения, либо упаковывая в 3D‑решётки. Обе эти уловки облегчали вычисления, но размывали некоторые тонкие особенности поверхности, которые особенно важны при различении, например, фрагмента руки и фрагмента ноги.

Обучая компьютеры читать тонкие детали

Исследователи разработали новую систему под названием PointRM, которая работает непосредственно с исходными 3D‑точками, не сплющивая и не упрощая их. Сначала метод разбивает облако точек фрагмента на множество небольших областей с помощью выборки и поиска ближайших соседей. В каждой такой области он сочетает точные пространственные координаты точек с выученными «признаками», которые суммируют локальную форму. Специализированный модуль затем объединяет эти элементы геометрической и визуальной информации, выделяя тонкие изгибы и гребни, отмечающие, например, край рукава или сгиб колена.

Давая модели увидеть общую картину

Когда локальные группы сформированы, PointRM всё ещё нужно решить, какие признаки наиболее важны в целом. Для этого он оценивает каждую локальную заплатку по значимости и затем переупорядочивает их в две зеркальные последовательности: одну от самых значимых к наименее значимым, и вторую в обратном порядке. Эти упорядоченные последовательности подаются в модуль «residual Mamba», новый тип сети для обработки последовательностей, который может отслеживать дальние взаимосвязи между множеством фрагментов при относительно небольшой вычислительной нагрузке. Просматривая заплатки в обоих направлениях — вперед и назад — модель учится тому, как удалённые друг от друга области одного фрагмента соотносятся между собой — ключевой шаг для распознавания неполных и неправильной формы кусочков.

Проверка метода на практике

Команда оценила PointRM на нескольких стандартных 3D‑бенчмарках, включая коллекции повседневных объектов и форм с помеченными частями. По результатам этих тестов новый метод сопоставлял или превосходил по точности ведущие системы на базе традиционных нейросетей и трансформеров, при этом используя меньше операций. Авторы затем перешли к главной задаче: классификации реальных фрагментов терракотовых воинов на четыре категории — руки, туловища, головы и ноги — по тщательно очищенным и пониженно‑семплированным сканам. Из почти двенадцати тысяч фрагментов PointRM правильно идентифицировал более 96 процентов, обогнав предыдущие специализированные методы и оставаясь устойчивым даже при более шумных или разреженных входных данных.

Что это значит для древних солдат

Для неспециалистов главный вывод в том, что эта работа даёт археологам и реставраторам мощный новый «двигатель сортировки» для 3D‑фрагментов. Вместо того чтобы полагаться исключительно на кропотливую ручную проверку, команды теперь могут использовать PointRM для быстрой группировки большого числа кусков по вероятным частям тела, отсеивать вводящие в заблуждение фрагменты и готовить более целевые наборы для детальной подгонки и реконструкции. Хотя метод имеет технические ограничения — например, трудности с крайне разреженными сканами — он знаменует важный шаг к полностью цифровым конвейерам реставрации, которые сохраняют хрупкие оригиналы и одновременно раскрывают больше сведений о том, как были сделаны терракотовые воины и как они когда‑то стояли вместе в обширной подземной армии императора.

Цитирование: 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

Ключевые слова: Терракотовые воины, 3D‑облака точек, культурное наследие, классификация фрагментов, глубокое обучение