Kültürel eserlerin 3B modelleme ve makine görüsü temelli dijital restorasyonu

Kırık hazineleri yeniden hayata döndürmek

Antik kaplar ve bronz kap gibi müze nesneleri sıklıkla çatlak, eksik veya aşınmış halde bize ulaşır. Onları elle restore etmek uzmanlık ve uzun saatler gerektirir ve her temas daha fazla zarara yol açma riski taşır. Bu çalışma, bilgisayarların artık miras koruyucularına hasarlı eserlerin hem biçimini hem de yüzey süslemesini dijital biçimde yeniden kurmada nasıl yardımcı olabileceğini gösteriyor; böylece ayrıntılı 3B modeller oluşturularak orijinallere zarar vermeden incelenip paylaşılabiliyor ve sergilenebiliyor.

Neden hasarlı eserleri onarmak zor

Kültürel kalıntılar geçmiş toplumların fiziksel izleri olarak görev yapar, ancak yüzyıllarca gömülme, hava koşulları ve elle muamele onları çentikli, solmuş veya büyük bölümleri eksik hale getirir. Geleneksel tamir, restorasyon uzmanının gözüne ve deneyimine dayanır; bu da süreci yavaş, maliyetli ve bazen tutarsız kılar. Özellikle eksik desenlerin eğimli bir kase ya da vazoda nasıl aktığını tahmin etmek zordur. Koleksiyonlar büyüdükçe ve daha fazla parça gün yüzüne çıktıkça, müzelerin çok sayıda eseri fiziksel müdahaleyi en aza indirerek ince ayrıntıları koruyabilecek yöntemlere ihtiyacı vardır.

Üç boyutta tam şekli yakalamak

Araştırmacılar ilk olarak bir nesnenin eksiksiz formunu yeniden inşa etmeye odaklanıyor. Bir eseri yüzeyini uzayda işaretleyen yoğun bir nokta bulutu toplamak için lazerler ve kameralarla tarıyorlar. Bu ham veri temizlenip hizalanıyor; ardından algoritmalar örtüşen taramalar arasındaki anahtar noktalar ve stabil özellikleri arayarak bunları tek bir modele dikip birleştiriyor. Özenle seçilmiş bir ağ (mesh) yaklaşımı bu nokta bulutunu, nesnenin eğrilerini ve kabartılarını izleyen küçük üçgenlerden oluşan pürüzsüz bir ağa dönüştürüyor. Özel iki dallı bir ağ daha sonra, tahmin edilen noktaları gerçek örneklerle karşılaştırarak nokta bulutunun eksik bölgelerini doldamayı öğreniyor ve orijinal nesne eksik olsa bile tam bir 3B model üretiyor.

Akıllı görüntülerle solmuş desenleri yeniden boyamak

Geometri tamamlandıktan sonra yöntem boyalı şeritler veya oymalı motifler gibi yüzey dokularını onarıyor. Ekip, gerçek görüntülere benzeyen yeni görüntüler üretmeyi öğrenen üretici karşıt ağlar (GAN) adı verilen bir yapay zeka sınıfını kullanıyor. Bu fikri, sistemin üretilecek doku türü hakkında yönlendirmeye yanıt vermesini sağlayan koşullu bir tasarımla genişletiyorlar. Ek teknikler, önemli olana odaklanmasına yardımcı oluyor: kenarların olması gereken yerlerdeki keskin değişimleri vurgulamak için gradyan filtreleri kullanılıyor, o sırada “geçişli” (gated) bir hesaplama ağın görüntünün hangi bölümlerine daha çok güveneceğini belirliyor. Bağlamsal dikkat aşaması ise sistemin çizgi ve motiflerin onarılan bölge boyunca düzgün devam etmesi için hasarsız alanlardan yamalar ödünç almasına izin veriyor.

Yöntemi gerçek müze parçalarında test etmek

Yaklaşımın ne kadar iyi çalıştığını değerlendirmek için yazarlar, bronz ve seramik nesnelerin açık 3B modelleri ile geniş bir doku örnekleri seti üzerinde yöntemi eğitip test ediyor. Nokta bulutu tamamlama ve doku onarımını birkaç önde gelen bilgisayar yöntemine karşı karşılaştırıyorlar. Şekil doğruluğu ve görüntü kalitesi için çeşitli ölçütlerde, sistemleri tutarlı şekilde daha küçük hatalar yapıyor, daha pürüzsüz kenarlar üretiyor ve daha hızlı çalışıyor. Onarılan yüzeylerin parlaklığı ve rengi referans çizelgelere daha yakın geliyor ve görülebilir uyumsuzluğu azaltıyor. Kaseler ve vazolar üzerinde yapılan pratik denemelerde, hem genel form hem de ince süs bantları rekabet eden tekniklere kıyasla daha sürekli ve doğal görünüyor.

Uzmanlar dijital onarımları nasıl değerlendirdi

Sayıların ötesinde, ekip insan değerlendiricilerden hangi yöntemin kullanıldığını bilmeden sonuçları puanlamalarını istiyor. İnceleyenler süslemelerin ne kadar tam göründüğünü ve onarılan bölgelerin orijinal yüzeylerin yanında ne kadar doğal göründüğünü puanlıyor. Yeni yöntem en yüksek notları alıyor; görsel pürüzsüzlük için verilen puanların çoğu üst düzeyde ve yalnızca küçük bir kesim açıkça yapay olarak değerlendiriliyor. Adım adım yapılan testler ayrıca koşullu yönlendirme, gating ve bağlamsal dikkat gibi her ek bileşenin nihai modellerde daha iyi süreklilik ve gerçekçilik sağladığını gösteriyor.

Bu durum müzeler ve halk için ne anlama geliyor

Çalışma, dikkatli 3B tarama ile gelişmiş görüntü öğrenimini birleştirmenin hasarlı eserleri dijital ortamda yüksek doğruluk ve hızla onarabileceği sonucuna varıyor. Küratörler kırılgan nesnelerin “bitmiş” hallerini daha fazla elle müdahale olmadan inceleyebilir, sergi veya eğitim için sadık kopyalar oluşturabilir ve gelecekteki çalışmalar için ayrıntılı kayıtlar saklayabilir. Mevcut çalışma iç mekanlarda stabil bronz ve seramik parçalara odaklansa da aynı fikirler başka malzemelere ve daha sert ortamlara da genişletilebilir. Bu şekilde dijital araçlar, kültürel hazineleri korumada ve bunları herkes için daha erişilebilir kılmada insan uzmanların ortağı haline geliyor.

Atıf: Yu, J., Li, H. Digital restoration of cultural relics based on 3D modeling and machine vision. Sci Rep 16, 15124 (2026). https://doi.org/10.1038/s41598-026-45060-9

Anahtar kelimeler: kültürel miras, 3B modelleme, görüntü restorasyonu, makine görüsü, GAN