超越重新点亮：使用深度学习和RTI对碎裂文物纺织品进行聚类

拼接过去

考古纺织品通常以零散、易碎的小片形式保存下来，而非完整的服饰或挂毯。但这些脆弱的线索可以揭示人们的着装方式、织物中讲述的故事以及工艺和贸易的高度。本论文提出了一种新的计算方法，帮助馆长和考古学家对这些碎片进行排序和分组，利用一种特殊的光照记录方法和现代图像分析来提示哪些碎片可能原本属于同一件物品。

从多个角度照明

该研究的核心是一种称为反射率变换成像（Reflectance Transformation Imaging，RTI）的成像方法。RTI不是只拍摄纺织品的一张照片，而是在受控穹顶内从多个方向照射光线，捕获数十张图像。它并不生成完整的三维模型，但记录了表面对光的反应，揭示出普通彩色照片无法呈现的细微凸起、线纹和磨损区域。与标准摄影相比，RTI提供了关于纹理和表面状态的更丰富信息，而且无需接触或损伤文物。

把光变成数字

为了利用这些丰富的数据，作者首先将每组RTI压缩为一种简化图像，表示纺织表面的整体、与光照无关的外观。他们使用一种称为半球谐函数的数学技术来描述布面每一点对来自不同方向光线的响应。仅保留该描述的基分量后，就得到一幅捕捉纺织品稳定颜色和漫反射特性的图像，同时弱化了阴影和高光。这一点对古老且表面不平的碎片尤为重要，因为少许位置或光照变化会误导分析。

教计算机识别织物

接着，团队将这些处理后的RTI图像输入到一个在数百万张日常照片上预训练的深度学习模型中。尽管这个被称为ResNet-50的模型并非专为考古打造，但其早期层在识别线条、纹理和形状等模式方面表现优异。对每个碎片，模型会输出一列长长的数字——特征向量，用来总结织物的视觉特性，包括织纹结构、装饰、颜色分布和损伤迹象。由于这种描述极为细致，其维度超过两千，远超人类直观理解的范围。

在混乱中识别簇群

为了将这种复杂描述转化为考古学家可用的信息，研究者使用降维工具将高维特征压缩到二维地图。在这张地图上，表面特性相似的碎片会彼此靠近，而不同的碎片会相互远离。然后他们应用诸如k均值和谱聚类等常规聚类方法，自动分组看起来相关的碎片。该方法在两个纺织品集合上进行了测试：著名的维京时代奥塞贝格（Oseberg）墓葬纺织残片（仅以零散片段存世）以及一面波兰龙骑兵旗帜的数字化切片（原始整体已知并被切割成测试碎片）。

优于普通照片的表现

作者通过将基于RTI的结果与同一碎片的一张良好灯光下的彩色照片的结果进行比较，表明RTI提供了更清晰、更一致的分组。来自同一原始织物的分裂片在RTI特征空间中更为接近，控制旗帜集合中的已知组形成了紧凑且分明的簇群。RTI框架还支持一个简单的“图像检索”任务：给定一个碎片，系统可以建议最可能匹配的其他碎片，这能大幅减少专家在大规模藏品中手动筛选的工作量。

对重建历史的意义

简而言之，这项研究表明：从多个方向照射纺织品并用深度学习分析所得光学模式，能帮助计算机“注意到”与人工专家相同的微妙线索——线径、织法、磨损和隐约的图案。虽然该方法尚不能独立重建完整服饰——并且受限于许多考古发现缺乏稳固的真实标签——它为非破坏性地缩小可能属于同一原物的碎片范围提供了强有力的工具。随着时间推移，此类工具可帮助博物馆和考古学家将混乱的古织物堆转化为更完整且更可靠的关于编织与穿着这些布料的人们的历史叙述。

引用: Khawaja, M.A., Gigilashvili, D., Łojewski, T. et al. Beyond relighting: RTI for clustering fragmented heritage textiles using deep learning. npj Herit. Sci. 14, 95 (2026). https://doi.org/10.1038/s40494-026-02326-9

关键词: 考古纺织品, 反射率变换成像, 深度学习, 文化遗产重建, 图像聚类