Büyük ölçekli gürültülü nokta bulutu tamamlaması için çok ölçekli voxel özellik füzyon ağı — kültürel miras restorasyonu

Antik Yapıları Dijital Olarak Yeniden Odaklamak

Tarihçiler tarihi tapınakları veya anıtları lazerlerle taradığında, ortaya çıkan 3B veriler genellikle net bir görüntüden çok analog televizyonun karına benzer. Çatılar veya heykellerin bölümleri eksik olabilir ve rastgele oluşan “hayalet” noktalar görüntüyü karıştırır. Bu makale, bu 3B nokta bulutlarını temizleyip tamamlayan yeni bir yapay zeka (YZ) yöntemini sunar; küratörlerin ve araştırmacıların yüzyıllık Japon tapınakları gibi karmaşık kültürel miras alanlarını çok daha net görmesine yardımcı olur.

Kültürel Miras Alanlarının 3B Taramalarının Neden Bu Kadar Dağınık Olduğu

LiDAR ve derinlik kameraları gibi modern araçlar, binalardan ve peyzajlardan milyonlarca 3B nokta yakalayabilir. Ancak ağaçlar, gölgeler, elverişsiz bakış açıları ve tarayıcıların kendine özgü sınırları nedeniyle bazı bölgeler hiç “görülmez”, diğerleri ise gürültü tarafından bozulur. Pratikte bu, çatının birbirine geçen kirişleri veya karmaşık saçaklar gibi önemli detayların ya eksik olduğu ya da sahte noktaların altında kaldığı yamalı, düzensiz nokta bulutlarına yol açar. Önceki dijital onarım teknikleri boşlukları kaba şekilde dolduruyor, ince detayları bulanıklaştırıyor veya çok büyük açık hava sahnelerine ölçeklenmeyen ağır hesaplama gerektiriyordu.

Üç Aşamalı Dijital Restorasyon Boru Hattı

Yazarlar önceki çalışmaları üzerine inşa ederek büyük, gürültülü kültürel miras taramalarına özgü üç aşamalı bir YZ çerçevesi öneriyor. İlk olarak çok aşamalı bir filtreleme adımı geliyor: algoritma öncelikle açıkça belirgin uç noktaları kaldırmak için istatistiksel bir test uygular, ardından keskin kenarlar gibi biçimleri korurken kalan gürültüyü yumuşatmak için yerel yüzey yamalarına bakan yönlendirilmiş bir filtre kullanır. İkinci olarak, temizlenen noktalar küçük küpler olan 3B “voxel”lere dönüştürülür ve aynı anda birkaç çözünürlükte analiz edilir. Kaba ızgaralar bir çatının genel yapısını yakalarken; daha ince ızgaralar sırtları, kiremitleri ve kenarları yakalar. Bu çok ölçekli voxel özellikleri daha sonra ağın nesnenin farklı bölgelerinde hangi ölçeğe ne kadar güveneceğine karar vermesini sağlayan dikkat mekanizmalarıyla birleştirilir.

Kenarları Keskinleştirme ve Boşlukları Doldurma

Üçüncü aşamada, füzyonlanmış özellikler eksik bölgeleri temsil eden seyrek bir “iskelet” tahmin eden Transformer tabanlı bir modülden geçirilir. Özel bir eğrilik‑yönlendirmeli iyileştirme adımı ise her bölgenin ne kadar keskin kıvrıldığını ölçer ve bu bilgiyi özellikleri ayarlamak için kullanır; böylece tahmin edilen iskelet, kenar ve köşeleri yuvarlaklaştırmak yerine gerçek kenarları daha iyi izler. Son olarak, bir yükseltme modülü bu iskeleti yoğun, tamamlanmış bir nokta bulutuna genişletir; amaç gerçek yüzeye uymak ve nokta dağılımını dengede tutarak izleyiciyi yanıltacak kümeler veya delikler oluşturmaktan kaçınmaktır.

Pratikte Ne Kadar İyi Çalışıyor?

Ekip yöntemi hem sentetik şekillerde hem de gerçek taramalarda test etti. Standart bir 3B model kıyas tablosunda (ShapeNet‑55) yöntemleri, birkaç önde gelen ağdan daha doğru şekilde eksik parçaları kurtardı; önemli bir mesafe ölçüsünü yaklaşık yüzde 16'ya kadar iyileştirirken yüksek tamlık düzeyini korudu. Kültürel miras uygulamaları açısından daha önemli olarak, gerçek dünya gürültüsü içeren gerçek lazer taramalarından türetilmiş Japon tapınak çatılarından oluşan bir veri seti topladılar. Burada yöntem, özellikle veriler ağır şekilde kirlenmiş olduğunda alternatiflerden belirgin şekilde daha iyi performans gösterdi. Görsel karşılaştırmalarda önerilen boru hattı daha keskin kiremitler, daha sadık saçaklar ve daha az artefakt üretti. Tamaki‑jinja Tapınağı’nın —25 milyondan fazla noktayı aşan— büyük ölçekli taramasına uygulandığında, eksik çatı bölümlerini yeniden inşa edebildi ve gürültülü yüzeyleri pratik bir zaman ve bellek bütçesi içinde rafine edebildi.

Daha Net Verilerle Duvarların İçinden Görmek

Araştırmacılar ayrıca tamamlamayı, daha önce geliştirdikleri saydam görselleştirme tekniğiyle entegre ettiler; bu teknik izleyicilerin yoğun nokta bulutlarının dış yüzeylerinin “içinden görmesini” sağlar. Orijinal gürültülü veride, Tamaki‑jinja’nın çatılarının saydam görünümleri kafa karıştırıcıydı: boşluklar, dağınık noktalar ve eksik bölgeler gerçek yapıyı gizliyordu. Yeni tamamlama çerçevesi uygulandıktan sonra aynı görünümler, çatılar ve saçakların çok daha net konturlarını gösterdi ve binanın nasıl bir araya getirildiğini yorumlamayı kolaylaştırdı. Yöntem taramaların son derece eksik veya gürültüyle aşırı yüklü olduğu alanlarda hâlâ zorlanıyor olsa da, çoğu bölge için hem geometrik doğruluğu hem de görsel okunabilirliği önemli ölçüde iyileştiriyor.

Bu Kültürel Miras İçin Ne Anlama Geliyor

Basitçe söylemek gerekirse, bu çalışma tarihi alanların 3B taramaları için daha akıllı bir “dijital restoratör” sağlar. Veriyi dikkatle temizleyip, şekilleri çoklu ölçeklerde anlayarak ve kenarlar ile eğriliklere özel önem vererek yöntem, binaların eksik parçalarını abartılı pürüzsüzleştirme veya deformasyondan kaçınarak makul biçimde yeniden oluşturabilir. Küratörler, mimarlar ve tarihçiler için bu, inceleme, korunma planlaması ve halka açık sergiler —karmaşık ahşap iskeletlerin içinden görülebilen gösterimler dahil— için daha güvenilir sanal modeller anlamına gelir. Yaklaşım fiziksel korumanın yerini almasa da, kırılgan kültürel mirasın geometrisini dijital ortamda korumak ve keşfetmek için güçlü bir araç sunar.

Atıf: Li, W., Pan, J., Hasegawa, K. et al. Multiscale voxel feature fusion network for large scale noisy point cloud completion in cultural heritage restoration. npj Herit. Sci. 14, 93 (2026). https://doi.org/10.1038/s40494-026-02331-y

Anahtar kelimeler: 3B nokta bulutu, kültürel miras, LiDAR tarama, derin öğrenme, dijital restorasyon