Dikkatle Yönlendirilen Öznitelik Eşleştirme ve Dayanıklı Seyrek Yeniden Yapılandırma ile Duvar Resmi Dijitalleştirmeye Yönelik bir SfM Sistemi

Antik Duvar Resimlerini Kurtarmak Neden Yeni Dijital Yöntemler Gerektirir

Çin’in kuzeybatı çölleri boyunca, Mogao Mağaraları’nın boyanmış duvarları yavaş yavaş soluyor, çatlıyor ve soyuluyor. Koruma uzmanları, özgünler bozulduktan sonra bile araştırmacıların ve halkın üzerinde çalışabilmesi için bu fresklerin ayrıntılı dijital kopyalarını istiyor. Ancak binlerce yakın çekim fotoğrafı kıvrılmış, hasarlı bir duvarın tek, düz ve bozulmamış bir görünümüne dönüştürmek şaşırtıcı derecede zor. Bu makale, mağara freskleri için özel olarak tasarlanmış yeni bir bilgisayarlı görü sistemi sunuyor; bu sistem dijital yeniden yapılandırmaları daha keskin, daha güvenilir ve büyük ölçekli kullanım için pratik hale getiriyor.

Parça Parça Fotoğraflardan Tek, Kesintisiz Bir Duvara

Bir duvar resmini dijitalleştirmek tek bir fotoğraf çekmek kadar basit değildir. Yüksek çözünürlüklü kameralar, duvar boyunca hareket eden bir ray sistemiyle birçok örtüşen çekim alır ve yerel görünümlerin yoğun bir ızgarasını üretir. Geleneksel yazılımlar genellikle bu görüntüleri 2B olarak “diker”, panorama gibi büküp harmanlar. Bu, duvarlar düz ve aydınlatma homojen olduğunda işe yarar, ancak mağara freskleri bükülür, kabarır, köşelerde koyulaşır ve hem boş hem de çok tekrarlı alanlar içerir. Bu koşullarda dikişler görünür hale gelebilir, figürler hizalanmayabilir veya şekiller bozulabilir. Yazarlar bunun yerine Structure-from-Motion (SfM) adı verilen 3B bir stratejiyi benimsiyor: bilgisayar her çekim için kameranın nerede olduğunu tahmin eder ve duvar yüzeyini uzayda yeniden yapılandırıp ardından onu hassas, önden bir görüntüye projeliyor.

Bilgisayara Doğru Ayrıntıları Görmeyi Öğretmek

SfM’nin özü, fotoğraf çiftleri arasında küçük görsel ayrıntılar—“özellik noktaları”—eşleştirmektir. Duvar resimlerinde bu tehlikelidir: neredeyse aynı sıralarda dizilmiş figürler, solmuş pigmentler ve büyük boş yamalar algoritmaları yanlış noktaları bağlamaya veya çok az eşleşme bulmaya kandırabilir. Yeni sistem bunu modern derin öğrenme tekniklerinden esinlenen “dikkatle yönlendirilmiş” bir eşleştirme yöntemiyle ele alıyor. Algoritma her özelliği izole şekilde değerlendirmek yerine, özellik desenlerine birlikte bakıyor ve örtüşen görünümler arasında hangi noktaların muhtemelen hizalanacağını öğreniyor. Ayrıca örtüşmenin nerede olması gerektiğine dair bir mekânsal anlayış da kuruyor: iki görüntünün ortak bölgesinin çok dışındaki özellikler benzer olsalar bile hafifçe düşük ağırlıklandırılıyor, oysa örtüşmesi muhtemel bölgelerdeki özellikler tercih ediliyor. Görsel bağlam ile mekânsal farkındalığın bu birleşimi, yanlış eşleşmeleri keskin şekilde azaltırken binlerce yüksek çözünürlüklü görüntü için hesaplamayı yönetilebilir tutuyor.

Duvarı 3B Olarak, Kenar Kenar Yeniden İnşa Etmek

Daha iyi eşleşmelere rağmen, SfM yanlış kamera ayarları tahmin ederse veya aynı anda çok fazla görüşü ayarlamaya çalışırsa hâlâ tökezleyebilir. Duvar resimleri özellikle sorunludur çünkü kamera meta verileri işleme sonrasında genellikle eksik veya güvenilmez olur ve sahne neredeyse düzlemseldir; bu durum sanal modelde çıkarılan duvarın içeri veya dışarı “kavislenmesine” neden olabilir. Yazarlar iki mağara-özgü düzeltme sunuyor. Birincisi, kamera odak uzaklığını dosya etiketlerinden değil, aday değerleri test edip tutarlı geometri üretenleri seçerek yeniden tahmin ediyor ve sonra aynı kurulumla çekilmiş görünümler arasında ortalanmış bir değer paylaşıyor. İkincisi, küresel iyileştirme yerine “kenar tabanlı demet ayarı” uyguluyor: sistemi her kamerayı sürekli ince ayar yapmak yerine, yeniden yapılandırmanın büyüyen sınırındaki kameralar ve 3B noktalar üzerinde ince ayar yapmaya sınırlıyor; iyi kısıtlanmış iç görünümleri olduğu gibi bırakıyor. Bu odaklı optimizasyon sapmayı azaltıyor, sanal duvarı düz tutuyor ve işlem süresini kısaltıyor.

Sistemi Gerçek Mağaralarda Test Etmek

Araştırmacılar sistemlerini Mogao’daki dokuz mağaradan yaklaşık 1.800 görüntü ve kameranın bir duvar boyunca süpürme şeklini simüle ettikleri büyük kamu veri seti MuralDH üzerinde değerlendirdiler. COLMAP, VisualSFM, OpenMVG ve MVE gibi yaygın açık kaynak araçlarla doğrudan karşılaştırmalarda yeni boru hattı daha fazla duvar setini başarıyla yeniden yapılandırdı, daha düşük geometrik hatalar üretti ve daha hızlı çalıştı. Rakip sistemlerin hiç yeniden yapılandıramadığı bazı mağaralar, yeni yöntemle temiz nokta bulutları ve stabil kamera yolları verdi. Ortaya çıkan seyrek 3B modeller ticari yazılıma yoğun yeniden yapılandırma için verildiğinde, koruma uzmanlarının gerçekten kullanabileceği, neredeyse distorsiyonsuz net önden görüntüler ürettiler; önceki otomatik iş akışlarının güvenilir şekilde sunamadığı bir sonuç.

Geçmişe Açılan Daha Net Dijital Pencereler

Uzman olmayanlar için çıkarım basit: bu çalışma kırılgan duvar resimlerinin yüksek çözünürlüklü, sadık dijital kopyalarını ölçekli biçimde oluşturmayı daha mümkün kılıyor. Tekrarlayan motifler, ince rölyef, eksik kamera verileri gibi mağara fresklerinin tuhaflıklarına bilgisayarlı görü araçlarını uyarlayarak, yazarların SfM sistemi geniş, dağınık fotoğraf arşivlerini geometrik olarak sağlam, kesintisiz duvar görünümlerine dönüştürüyor. Bu dijital yeniden yapılandırmalar koruma planlaması, bilimsel analiz ve halka açık sergiler için destek sağlayabilir; orijinal pigmentler yavaş ve kaçınılmaz soluşlarına devam ederken antik duvarlardaki görsel hikâyelerin korunmasına yardımcı olabilir.

Atıf: Fang, K., Min, Z. & Diao, C. An SfM system for mural digitization with attention-guided feature matching and robust sparse reconstruction. npj Herit. Sci. 14, 166 (2026). https://doi.org/10.1038/s40494-026-02385-y

Anahtar kelimeler: duvar resmi dijitalleştirme, kültürel miras, 3B yeniden yapılandırma, bilgisayarlı görü, Dunhuang Mogao Mağaraları