En residual Mamba-punktmolnklassificeringsram för 3D-fragment av Terrakottakrigare

Varför sönderslagna statyer fortfarande spelar roll

Terrakottakrigarna är en av världens mest ikoniska arkeologiska upptäckter, men många av dessa livsformade lersoldater finns idag bara kvar som utspridda fragment. Att pussla ihop dem igen är som att lösa ett tredimensionellt pussel med tusentals saknade eller vilseledande bitar. Denna studie presenterar en ny metod inom artificiell intelligens som tittar direkt på detaljerade 3D-skanningar av fragment för att sortera dem efter kroppsdel, i syfte att snabba upp digital restaurering och hjälpa konservatorer förstå hur de ursprungliga statyerna var konstruerade.

Från spridda skärvor till digitala prickar

Moderna skannrar kan fånga formen hos varje fragment som ett ”punktmoln” – miljontals små prickar i rummet som följer varje bula, kurva och brottkant i lerytan. Dessa råa 3D-punktmoln bevarar långt mer detalj än fotografier, men de är också svårare för datorer att tolka. Tidigare metoder försökte förenkla datan, antingen genom att skiva den till 2D-bilder eller genom att packa den i 3D-rutnät. Båda genvägarna gjorde beräkningarna enklare, men de suddade ut en del av den finkorniga yttopologin som är viktig när man försöker skilja ett armfragment från ett benfragment.

Lära datorer att läsa finkorniga detaljer

Forskarna utformade ett nytt system kallat PointRM som arbetar direkt på de ursprungliga 3D-prickarna utan att plana ut eller förenkla dem. Först delar metoden ett fragments punktmoln i många små områden med hjälp av sampling och närmsta-granne-sökningar. Inom varje område kombineras de exakta spatiala koordinaterna för prickarna med inlärda ”features” som sammanfattar lokal form. En specialiserad modul fusionerar sedan dessa geometriska och utseendebaserade informationsdelar och framhäver subtila kurvor och åsar som markerar till exempel fållkanten på en ärm eller böjningen vid ett knä.

Låta modellen se helheten

När dessa lokala grupper väl är skapade måste PointRM fortfarande avgöra vilka features som är mest betydelsefulla i stort. För detta poängsätter metoden varje lokalt patch efter viktighet och omordnar dem sedan till två speglade sekvenser: en som löper från hög till låg betydelse och en i omvänd ordning. Dessa ordnade sekvenser matas in i en ”residual Mamba”-modul, en ny typ av sekvensbearbetande nätverk som kan spåra långräckviddsrelationer över många patcher med relativt låg beräkningskostnad. Genom att skanna patcharna både framåt och bakåt lär sig modellen hur avlägsna regioner av samma fragment förhåller sig till varandra – ett nyckelsteg för att känna igen ofullständiga och oregelbundna bitar.

Sätta metoden på prov

Teamet utvärderade PointRM på flera standardiserade 3D-benchmarks, inklusive samlingar av vardagsföremål och former med märkta delar. I dessa tester matchade eller överträffade den nya metoden noggrannheten hos ledande system baserade på mer traditionella neurala nätverk och Transformer-modeller, samtidigt som den använde färre operationer. Författarna riktade sedan in sig på sitt huvudmål: att klassificera verkliga fragment av Terrakottakrigare i fyra kategorier – armar, kroppar, huvuden och ben – från noggrant rengjorda och nedprovade skanningar. Av nästan tolv tusen fragment identifierade PointRM korrekt över 96 procent, och slog därmed tidigare specialiserade metoder och förblev stabil även när indata gjordes brusigare eller glesare.

Vad detta betyder för de antika soldaterna

För icke‑specialister är huvudpoängen att detta arbete ger arkeologer och konservatorer en kraftfull ny ”sorteringsmotor” för 3D-fragment. Istället för att enbart förlita sig på mödosam manuell granskning kan team nu använda PointRM för att snabbt gruppera stora mängder bitar efter sannolik kroppsdel, sålla bort missvisande fragment och förbereda mer fokuserade uppsättningar för detaljerad matchning och rekonstruktion. Även om metoden har tekniska begränsningar – såsom svårigheter med extremt glesa skanningar – markerar den ett viktigt steg mot fullt digitala restaureringsarbetsflöden som bevarar de sköra originalen samtidigt som de avslöjar mer om hur Terrakottakrigarna var gjorda och hur de en gång stod tillsammans i kejsarens vidsträckta underjordiska armé.

Citering: 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

Nyckelord: Terrakottakrigare, 3D-punktmoln, kulturarv, fragmentklassificering, djupinlärning