用于兵马俑残片的残差 Mamba 点云分类框架

破碎雕像为何仍然重要

兵马俑是世界上最具标志性的考古发现之一，但许多真人大小的泥质战士如今只以散落的碎片存世。将它们拼回原状就像在做一个三维拼图：成千上万块缺失或迷惑性的碎片让人难以还原。该研究提出了一种新的人工智能方法，直接分析碎片的精细 3D 扫描数据，将碎片按身体部位进行分类，旨在加速数字修复并帮助修复者理解原始雕像的制作方式。

从散落的碎片到数字点阵

现代扫描仪可以将每块碎片的形状捕捉为“点云”——空间中数以百万计的小点，描绘出粘土表面的每一个凸起、曲线和断裂边缘。这些原始 3D 点云保留的信息远比照片丰富，但对计算机而言也更难以解析。早期方法试图简化数据，要么将其切成 2D 图像，要么装入 3D 网格。这些捷径虽让计算变得更容易，但也模糊掉了一些关键的细微表面结构，而这些细节往往是区分手臂碎片和腿部碎片时最重要的。

教计算机识别细微细节

研究人员设计了一种名为 PointRM 的新系统，直接在原始 3D 点上工作，不对其进行扁平化或粗化处理。首先，该方法通过采样与最近邻搜索将一个碎片的点云划分为许多小邻域。在每个邻域内，它将点的精确空间坐标与表示局部形状的学习到的“特征”值结合起来。一个专门的模块随后融合这些几何与外观信息，突出显示那些细微的曲线与棱脊，例如袖口边缘或膝部弯曲处。

让模型看清整体轮廓

在构建好这些局部组之后，PointRM 仍需决定哪些特征在整体上更重要。为此，它为每个局部补丁打分并按重要性对它们重新排序，形成两条镜像序列：一条从高重要性到低，另一条则相反。这些有序序列被送入“残差 Mamba”模块，这是一种新型的序列处理网络，能够以相对轻量的计算跟踪跨越许多补丁的远程关系。通过正反两个方向扫描这些补丁，模型学习同一碎片中相距较远区域之间的关联——这是识别不完整和不规则碎片的关键步骤。

将方法付诸检验

团队在若干标准 3D 基准数据集上评估了 PointRM，包括带有标签部件的日常物体和形状集合。在这些测试中，该新方法在准确率上与基于更传统神经网络和 Transformer 模型的领先系统持平或更优，同时使用的运算更少。作者随后将目标转向他们的主要任务：将真实的兵马俑残片根据清理并下采样的扫描数据分为四类——臂部、躯干、头部和腿部。在近一万二千件残片中，PointRM 正确识别率超过 96%，略胜于先前的专门方法，并在输入数据变得更嘈杂或更稀疏时仍表现稳定。

这对古代战士意味着什么

对非专业人士来说，关键结论是这项工作为考古学家和修复者提供了一个强大的 3D 残片“分拣引擎”。团队不必再仅依赖费时的人工检查，而可以利用 PointRM 快速将大量碎片按可能的身体部位分组，过滤掉误导性碎片，并为后续精细匹配与重建准备更有针对性的碎片集合。尽管该方法存在技术局限——如在极其稀疏的扫描上仍有困难——但它标志着朝着完整的数字化修复流程迈出了重要一步，这类流程在尊重脆弱原件的同时，能揭示更多关于兵马俑如何制作及它们曾如何在皇帝庞大的地下军队中排列的信息。

引用: 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

关键词: 兵马俑, 3D 点云, 文化遗产, 残片分类, 深度学习