3B Terrakotta Asker parçalari için artakalan mamba nokta bulutu sınıflandırma çerçevesi

Neden kırık heykeller hâlâ önemli

Terrakotta Askerleri dünyanın en ikonik arkeolojik keşiflerinden biridir, ancak bu yaşam‑boyu kil askerlerin çoğu artık yalnızca dağınık parçalar halinde korunuyor. Onları yeniden bir araya getirmek, binlerce eksik ve yanıltıcı parçayla üç boyutlu bir yapboz çözmeye benziyor. Bu çalışma, parçaların vücut bölgesine göre ayrılması için kırıkların ayrıntılı 3B taramalarına doğrudan bakan yeni bir yapay zeka yöntemi tanıtıyor; amaç dijital restorasyonu hızlandırmak ve konservatörlerin orijinal heykellerin nasıl inşa edildiğini anlamasına yardımcı olmak.

Dağınık kırıklardan dijital noktalara

Modern tarayıcılar her parçanın şeklini “nokta bulutu” olarak yakalayabiliyor — kil yüzeyindeki her tümseği, eğrileri ve kırılma kenarını izleyen uzaydaki milyonlarca küçük nokta. Bu ham 3B nokta bulutları fotoğraflardan çok daha fazla ayrıntıyı koruyor, ancak bilgisayarların yorumlamasını da zorlaştırıyor. Önceki yaklaşımlar veriyi basitleştirmeye çalıştı; ya onu 2B görüntülere dilimleyerek ya da 3B ızgaralara paketleyerek. Her iki kestirme de hesaplamaları kolaylaştırdı, ancak bir kol parçasını bacak parçasından ayırt etmeye çalışırken en çok işinize yarayan ince yüzey yapısını bulanıklaştırdı.

Bilgisayarlara ince ayrıntıyı okumayı öğretmek

Araştırmacılar, orijinal 3B noktaları düzleştirmeden veya kabalaştırmadan doğrudan işleyen PointRM adlı yeni bir sistem tasarladı. Önce yöntem, örnekleme ve en yakın komşu aramaları kullanarak bir parçanın nokta bulutunu birçok küçük komşuluğa ayırır. Her komşuluk içinde, noktaların kesin uzamsal koordinatlarını yerel şekli özetleyen öğrenilmiş “özellik” değerleriyle birleştirir. Özel bir modül daha sonra bu geometrik ve görünüm bilgisi parçalarını birleştirerek, örneğin bir kol manşetinin kenarını veya bir dizin kıvrımını işaret eden ince eğrileri ve sırtları vurgular.

Modelin büyük resmi görmesine izin vermek

Bu yerel gruplar oluşturulduktan sonra, PointRM hâlâ hangi özelliklerin genel olarak daha önemli olduğuna karar vermelidir. Bunu yapmak için her yerel yamayı önemine göre puanlar ve sonra bunları iki ayna dizisine yeniden sıralar: biri yüksek öncelikten düşüğe, diğeri ise tersine. Bu sıralı diziler, nispeten hafif hesaplama ile birçok yama arasındaki uzun menzilli ilişkileri izleyebilen yeni bir dizi işleme ağı tipi olan “artakalan Mamba” modülüne beslenir. Bu yamaları ileri ve geri yönde tarayarak model, aynı parçanın uzaktaki bölgelerinin birbirleriyle nasıl ilişkili olduğunu öğrenir — eksik ve düzensiz parçaları tanımada kilit bir adım.

Yöntemi teste sokmak

Takım PointRM’i gündelik nesneler ve etiketlenmiş parçalara sahip şekiller dahil olmak üzere birkaç standart 3B kıyaslama üzerinde değerlendirdi. Bu testlerin tümünde yeni yöntem, daha geleneksel sinir ağları ve Transformer modellerine dayanan önde gelen sistemlerin doğruluğuna eşit veya onları geçti ve bunu daha az işlem kullanarak başardı. Yazarlar ardından ana amaçlarına döndüler: dikkatle temizlenmiş ve yeniden örneklenmiş taramalardan gerçek Terrakotta Asker parçal arını kollar, gövdeler, başlar ve bacaklar olmak üzere dört kategoriye sınıflandırmak. Yaklaşık on iki bin parçadan PointRM yüzde 96’nın üzerinde doğrulukla tanımladı, önceki uzmanlaşmış yöntemleri geride bırakıp girdi verisi daha gürültülü veya seyrek olduğunda bile kararlı kaldı.

Bu antik askerler için ne anlama geliyor

Uzman olmayanlar için ana çıkarım, bu çalışmanın arkeologlara ve konservatörlere 3B parçalar için güçlü yeni bir “sıralama motoru” sağlamasıdır. Zahmetli elle incelemeye yalnızca güvenmek yerine ekipler artık PointRM’i kullanarak çok sayıda parçayı muhtemel vücut bölgesine göre hızla gruplayabilir, yanıltıcı parçaları filtreleyebilir ve ayrıntılı eşleştirme ile restorasyon için daha odaklı setler hazırlayabilir. Yöntemin son derece seyrek taramalarla zorluk yaşaması gibi teknik sınırlamaları olsa da, bu belge kırılgan orijinallere saygı gösteren ve Terrakotta Askerleri’nin nasıl yapıldığını ve bir zamanlar imparatorun geniş yeraltı ordusunda nasıl dizildiklerini daha fazla ortaya çıkaran tam dijital restorasyon iş akışlarına doğru atılmış önemli bir adımı işaret ediyor.

Atıf: 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

Anahtar kelimeler: Terrakotta Askerleri, 3B nokta bulutları, kültürel miras, parça sınıflandırma, derin öğrenme