Utöver ombelysning: RTI för gruppering av fragmenterade textilier inom kulturarvet med djupinlärning

Sätta ihop det förflutna

Arkeologiska textilier når oss ofta som små, smulande skärvor snarare än fullständiga klädesplagg eller tapeter. Ändå kan dessa sköra trådar avslöja hur människor klädde sig, vilka berättelser de förmedlade i tyg och hur avancerat deras hantverk och handel var. Denna artikel presenterar ett nytt datorbaserat sätt att hjälpa kuratorer och arkeologer att sortera och gruppera sådana fragment, genom att använda en speciell belysningsteknik och modern bildanalys för att föreslå vilka bitar som kan ha hört samman.

Lyser från många vinklar

Kärnan i arbetet är en avbildningsmetod kallad Reflectance Transformation Imaging, eller RTI. I stället för att ta bara ett fotografi av en textil, fångar RTI flera dussin bilder medan ljus riktas från många håll inne i en kontrollerad dom. Detta ger ingen fullständig 3D-modell, men det registrerar hur ytan reflekterar ljus, vilket blottlägger små ojämnheter, trådar och slitna partier som en vanlig färgbild inte kan visa. Jämfört med standardfotografi ger RTI mycket rikare information om struktur och ytans skick, och det görs utan att röra vid eller skada föremålet.

Göra ljus till siffror

För att använda dessa rika data komprimerar författarna först varje RTI-set till en förenklad bild som representerar textilytans övergripande, ljusoberoende utseende. De använder en matematisk teknik kallad hemisfäriska harmoniska funktioner för att beskriva hur varje punkt på tyget svarar på ljus från olika riktningar. Genom att behålla endast bas-komponenten i denna beskrivning får de en bild som fångar textilens stabila färg och diffusa reflektans samtidigt som skuggor och blanka fläckar tonas ner. Detta är särskilt viktigt för gamla, ojämna fragment där små förändringar i position eller belysning annars skulle kunna vilseleda analysen.

Lära datorn att se tyg

Nästa steg är att mata dessa bearbetade RTI-bilder in i en djupinlärningsmodell som ursprungligen tränats på miljontals vardagsfotografier. Fastän modellen, känd som ResNet-50, inte byggdes specifikt för arkeologi är dess tidiga lager mycket bra på att upptäcka mönster som linjer, texturer och former. För varje fragment producerar modellen en lång lista med tal — en funktionsvektor — som sammanfattar tygets visuella karaktär, inklusive vävstruktur, dekoration, färgdistribution och tecken på skada. Eftersom denna beskrivning är så detaljerad lever den i ett rum med mer än tvåtusen dimensioner, långt bortom vad människor lätt kan tolka.

Se kluster i kaoset

För att omvandla denna komplexa beskrivning till något arkeologer kan använda, applicerar forskarna verktyg för dimensionsreduktion som pressar de högdimensionella funktionerna ner till en tvådimensionell karta. På denna karta tenderar fragment med liknande ytegenskaper att ligga nära varandra, medan olika fragment ligger längre isär. De tillämpar sedan standardiserade klustringsmetoder, såsom k-means och spektralklustring, för att automatiskt gruppera fragment som verkar höra ihop. Metoden testas på två textilsamlingar: de berömda Oseberg-textilierna från vikingatiden, som bara överlevt som spridda bitar, och en polsk dragonbaner där det ursprungliga hela objektet är känt och digitalt skuret i testfragment.

Bättre än vanliga fotografier

Genom att jämföra RTI-baserade resultat med dem från enkla, välbelysta färgfoton av samma fragment visar författarna att RTI ger tydligare och mer konsekventa gruppering. Delade bitar av samma ursprungliga textil placeras närmare varandra i RTI-funktionsrymden, och kända set från kontrollbaneret bildar täta, separata kluster. RTI-ramverket stödjer också en enkel ”bildsök”-uppgift: givet ett fragment kan systemet föreslå andra fragment som mest sannolikt matchar, vilket avsevärt kan minska det manuella arbetet för experter som går igenom stora samlingar.

Vad detta betyder för att återbygga historien

Enkelt uttryckt visar studien att belysning av textilier från många riktningar och att analysera de resulterande mönstren med djupinlärning hjälper datorer att ”lägga märke till” samma subtila ledtrådar som mänskliga experter använder: trådtjocklek, väv, slitage och svaga motiv. Medan tillvägagångssättet ännu inte ensam rekonstruerar hela plagg — och begränsas av bristen på säkert grundsanningsmaterial för många arkeologiska fynd — erbjuder det ett kraftfullt, icke-förstörande sätt att avgränsa vilka fragment som sannolikt tillhör samma ursprungliga objekt. Med tiden kan sådana verktyg hjälpa museer och arkeologer att omvandla oordnade högar av forntida tyg till mer kompletta och trovärdiga berättelser om människorna som vävde och bar dem.

Citering: 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

Nyckelord: arkeologiska textilier, reflectance transformation imaging, djupinlärning, rekonstruktion av kulturarv, bildklustring