Jiandu punktmolnsregistrering med högupplösta data och generaliserad t-student-kernel

Forntida arkiv möter modern teknik

Bamburibbor och träremsor, kända som Jiandu, är bland de viktigaste vittnena till tidig kinesisk historia och bevarar allt från skatteregister till klassisk litteratur. De flesta av dessa smala, åldrade remsor återstår dock endast som bräckliga fragment som är riskabla att hantera och mödosamt långsamma att pussla ihop för hand. Denna studie presenterar en ny digital teknik som använder detaljerade 3D-skanningar och avancerad matematik för att virtuellt "snap"-sätta dessa bitar med mycket större precision och tillförlitlighet, vilket hjälper till att skydda originalen samtidigt som länge förlorade texter och uppgifter återskapas.

Utmaningen att laga skört kulturarv

Att rekonstruera Jiandu är mycket svårare än att lösa ett vanligt pussel. Varje remsa är tunn, lätt skev efter århundraden i marken och ofta nersliten vid kanterna. Brottytorna är oregelbundna och nötta, och den ursprungliga bläcket och träådringen är blek eller störd. Moderna 3D-skannrar kan fånga dessa objekt som täta punktmoln i rummet, men befintlig programvara har svårt att alignera dem. Den måste uppnå submillimeterprecision, hantera saknade bitar och grova kanter samt bortse från slumpmässigt brus från belysning, sensorer och omgivning. Många populära algoritmer tappar antingen riktningen när ytor är ofullständiga eller blir förvirrade av brusiga mätningar, vilket leder till felaktiga fogningar eller instabila resultat.

En smartare metod för form och textur

För att övervinna dessa hinder utformar författarna ett registreringsramverk som behandlar varje fragment inte bara som rå geometri utan som en rik kombination av form och ytutseende. Först analyserar de de små orienteringarna hos lokala ytplattor i flera skalor och bygger på så sätt en förfinad karta över hur varje brottyta böjer och vrider sig. Därefter använder de hur intilliggande regioner förbinds med varandra för att hålla denna beskrivning topologiskt konsekvent, vilket minskar risken att egenskaper från skadade områden paras ihop felaktigt. Samtidigt konverterar metoden färgdata till ett rum som bättre motsvarar mänsklig perception och använder både 3D-avstånd och färglikhet när den föreslår hur två fragment kan passa ihop.

Låt texturriktningen leda inpassningen

En särskiljande bidrag i arbetet är att ytors textur behandlas som en riktningstips snarare än blott dekoration. Jiandu-ytor visar ofta parallella bambufibrer och förlängda bläckstreck, vars orientering tenderar att fortsätta jämnt över en brottgräns. Algoritmen mäter riktningen för dessa texturgradienter från RGB-D-bilder kopplade till 3D-punkterna och upprätthåller sedan en strikt regel: två kandidatpunkter kan bara paras om deras texturriktningar överensstämmer inom en liten vinkel. Detta sorterar bort matchningar som kan verka geometriskt nära men som skulle bryta den naturliga flödet i skriften eller träådringen. Som en följd blir fogarna trognare inte bara i form utan också i hur de visuella mönstren löper över den rekonstruerade remsan.

Robust mot brus och skador

Verkliga fragment matchar sällan de prydliga antagandena i läroböcker. Avvikande punkter uppstår från avflagnade kanter, saknade områden och mätfel och skapar ett "tungsvansigt" felmönster. Standardmetoder med minsta kvadrat antar en mildare brusfördelning och dras lätt ur spår av sådana uteliggare. Författarna lånar istället ett verktyg från robust statistik, känt som en generaliserad Student’s t-kernel. I praktiken innebär detta att när missmatchen mellan två punkter blir stor nedväger algoritmen automatiskt deras inflytande, vilket förhindrar att ett fåtal dåliga korrespondenser stjälper den övergripande inpassningen. Kombinerat med de geometriska och texturala signalerna gör detta den iterativa anpassningsprocessen mycket mer stabil under de stökiga förhållanden som är typiska för arkeologiska data.

Sätta metoden på prov

Teamet utvärderar sitt ramverk på flera Jiandu-datasets insamlade med en industriell 3D-skanner och en högupplöst kamera, som fångar både fin form och subtila ytstrukturer. De jämför sitt tillvägagångssätt med klassiska punktmatchningsmetoder och nyare inlärningsbaserade tekniker som förlitar sig på neurala nät tränade på stora dataset. I tester som varierar fragmentens startorientering och tillsätter artificiellt brus ger den nya metoden konsekvent mindre fel i både rotation och translation, samtidigt som beräkningstiderna förblir rimliga. Ablationsstudier, där enskilda komponenter selektivt tas bort, visar att varje del — ytnormaler, kontroller av texturriktning och den robusta kerneln — bidrar till den slutliga förbättringen i noggrannhet, där den fullständiga kombinationen presterar bäst.

Digitala pussel för att bevara det förflutna

Enkelt uttryckt erbjuder detta arbete kulturarvsvetare ett skarpare digitalt verktyg för att sätta ihop bräckliga skriftliga dokument utan att röra dem. Genom att förena noggranna beskrivningar av form, ytornas texturflöde och en bullerresistent optimeringsstrategi kan metoden mer pålitligt avgöra hur brutna Jiandu-fragment hör ihop. Det innebär klarare rekonstruktioner av forntida dokument, mindre risk för skada på oersättliga artefakter och en mer skalbar väg till att hantera de hundratusentals remsor som redan grävts fram. Även om metoden är utformad för Jiandu kan samma idéer anpassas till andra sönderslitna föremål och föra kraften i precis 3D-beräkning till det bredare uppdraget att läsa och bevara det materiella arvet.

Citering: Zhang, Q., Wang, C., Qi, Y. et al. Jiandu point cloud registration using high-resolution data and generalized t-student kernel. npj Herit. Sci. 14, 267 (2026). https://doi.org/10.1038/s40494-026-02533-4

Nyckelord: Jiandu-rekonstruktion, 3D-punktmolnsregistrering, digitalt kulturarv, texturvägledd inpassning, robust optimering