شبکه عصبی جدید: حفظ میراث فرهنگی با بازسازی سه‌بعدی

مدل نوین بازسازی دیجیتال آثار فرهنگی با استفاده از شبکه‌های عصبی

اشیای میراث فرهنگی از نوع برجسته‌نگاری در بسیاری از سایت‌های تاریخی در سراسر جهان یافت می‌شوند، اما اغلب از سطوح مختلفی از آسیب و تخریب رنج می‌برند. روش‌های سنتی برای بازسازی تصاویر نیازمند کار دستی گسترده و دانش تخصصی هستند. اکنون، محققان یک مدل جدید شبکه عصبی توسعه داده‌اند که می‌تواند این آثار برجسته را به‌عنوان تصاویر دیجیتال سه‌بعدی از عکس‌های قدیمی که اطلاعات پیش از آسیب آن‌ها را در بر دارد، بازسازی کند. این فناوری نوآورانه راه را برای حفظ دیجیتال دقیق اشیای ارزشمند میراث فرهنگی هموار می‌کند.

اهمیت آثار برجسته‌نگاری

برجسته‌نگاری یا مجسمه‌های برجسته، اشیای میراث فرهنگی هستند که تصاویری از آن‌ها از پس‌زمینه‌ای مانند دیوار یا سنگ‌تراشی بیرون زده و حس عمق را ایجاد می‌کنند. این آثار که در سایت‌های تاریخی در سراسر جهان یافت می‌شوند، به‌عنوان دارایی‌های تاریخی و فرهنگی با ارزشی عظیم شناخته می‌شوند. متأسفانه، بسیاری از این مجسمه‌های برجسته در سایت‌های میراث فرهنگی در سرتاسر جهان به مرور زمان دچار آسیب و تخریب‌های مختلفی شده‌اند.

چالش‌های بازسازی آثار فرهنگی

در حالی که تکنیک‌های مدرن اسکن سه‌بعدی و عکاسی هوایی می‌توانند فرم فعلی آن‌ها را به‌صورت دیجیتال حفظ کنند، اما نمی‌توانند ظاهر اصلی این مجسمه‌ها را قبل از آسیب بازسازی کنند. علاوه بر این، روش‌های سنتی برای بازسازی آن‌ها زمان‌بر بوده و نیاز به مداخله دستی گسترده و دانش تخصصی دارند. یکی از روش‌های امیدوارکننده، بازسازی دیجیتال سه‌بعدی این آثار از عکس‌های قدیمی است که قبل از آسیب‌دیدگی گرفته شده‌اند.

پیشرفت‌های جدید در بازسازی دیجیتال

برخلاف مجسمه‌های سه‌بعدی یا نقاشی‌های دو بعدی، آثار برجسته عمق کمی دارند و باید از جلو یا از دو طرف مشاهده شوند. این بدان معناست که یک تصویر می‌تواند به‌طور مؤثر اطلاعات بیشتری را که برای الگوریتم‌های بازسازی دیجیتال سه‌بعدی مورد نیاز است، فراهم کند. در یک پیشرفت بزرگ، یک تیم تحقیقاتی چندملیتی به رهبری پروفسور ساتوشی تاناکا از دانشکده علوم و مهندسی اطلاعات دانشگاه ریتسومیکان در ژاپن، به همراه دکتر جیائو پان از دانشگاه علم و فناوری پکن در چین، یک شبکه عصبی چندوظیفه‌ای نوآورانه برای بازسازی سه‌بعدی و حفظ دیجیتال آثار برجسته با استفاده از عکس‌های قدیمی توسعه دادند.

پروفسور تاناکا گفت: “قبلاً ما یک روش بازسازی سه‌بعدی برای آثار قدیمی بر اساس تخمین عمق تک‌چشمی از عکس‌ها پیشنهاد دادیم. اگرچه ما به دقت بازسازی 95 درصدی دست یافتیم، اما جزئیات ریز مانند چهره‌های انسانی و تزئینات هنوز کمبود داشتند. این به دلیل فشرده‌سازی بالای مقادیر عمق در تصاویر دو بعدی آثار برجسته بود که استخراج تغییرات عمق در لبه‌ها را دشوار می‌کرد.”

روش جدید ما در تخمین عمق و شناسایی لبه‌ها

پروفسور تاناکا توضیح می‌دهد: “روش جدید ما با بهبود تخمین عمق، به‌ویژه در نواحی صعب‌العبور لبه‌ها، از طریق یک رویکرد نوین شناسایی لبه‌ها، به این مسئله می‌پردازد.” تیم تحقیقاتی همچنین شامل پروفسور لیانگ لی از دانشگاه ریتسومیکان و پروفسور شیاوجوان بان از دانشگاه علم و فناوری پکن بود. این مطالعه به‌صورت شفاهی در کنفرانس بین‌المللی ACM Multimedia 2024 که در ماه اکتبر در استرالیا برگزار شد، ارائه گردید و در مجموعه مقالات MM ’24: Proceedings of the 32nd ACM International Conference on Multimedia در تاریخ 28 اکتبر 2024 منتشر شد.

شبکه عصبی چندوظیفه‌ای

شبکه عصبی پیشنهادی سه وظیفه را انجام می‌دهد: تقسیم‌بندی معنایی، تخمین عمق و شناسایی لبه‌های نرم، که با هم به بهبود دقت بازسازی سه‌بعدی کمک می‌کنند. قدرت اصلی این شبکه در تخمین عمق نهفته است که از طریق یک شناساینده لبه نرم نوین و یک ماژول تطابق لبه به دست می‌آید. برخلاف طبقه‌بندی لبه‌های باینری متداول، شناساینده لبه نرم، شناسایی لبه‌های داده‌های برجسته را به‌عنوان یک وظیفه چندطبقه‌ای در نظر می‌گیرد. لبه‌ها در تصاویر برجسته نه تنها تغییرات در روشنایی را نشان می‌دهند، بلکه تغییرات در انحنا را نیز به‌عنوان “لبه‌های نرم” شناسایی می‌کنند. شناساینده لبه نرم، درجه “نرمی” این لبه‌ها را در تصاویر برجسته تعیین می‌کند و به بهبود تخمین عمق کمک می‌کند.

ماژول تطابق لبه

ماژول تطابق لبه شامل دو شناساینده لبه نرم است که نقشه‌های لبه نرم چندطبقه‌ای و یک نقشه عمق را از یک عکس برجسته ورودی استخراج می‌کند. با تطابق و شناسایی تفاوت‌ها بین این دو نقشه، شبکه بیشتر بر روی نواحی لبه نرم تمرکز می‌کند که منجر به تخمین عمق دقیق‌تری می‌شود. در نهایت، شبکه یک تابع ضرر تقویت‌شده دینامیک لبه را بهینه‌سازی می‌کند که شامل ضرر از هر سه وظیفه است و تصاویر سه‌بعدی واضح و دقیقی از برجستگی‌ها تولید می‌کند.

بازسازی برجستگی‌های معبد بوروبودور

محققان این مدل نوآورانه را برای بازسازی برجستگی‌های پنهان معبد بوروبودور به کار گرفتند. پروفسور تاناکا می‌گوید: “برجستگی‌های دیواری در سطح زمین معبد بوروبودور، که یک سایت میراث جهانی یونسکو در اندونزی است، به دلیل کارهای تقویتی انجام شده در دوران استعمار هلند، توسط دیوارهای سنگی پوشیده شده و قابل مشاهده نیستند. شبکه عصبی چندوظیفه‌ای ما به‌طور موفقیت‌آمیزی این بخش‌های پنهان برجستگی‌های سطح زمین بوروبودور را از روی عکس‌های قدیمی موجود بازسازی کرد. از طریق تجسم کامپیوتری و واقعیت مجازی، تحقیق ما اکنون امکان کاوش مجازی در این گنجینه‌های نادیده را فراهم می‌کند.”

پیامدهای آینده

در مورد پیامدهای آینده این یافته‌ها، او می‌گوید: “فناوری ما پتانسیل عظیمی برای حفظ و اشتراک‌گذاری میراث فرهنگی دارد. این فناوری نه تنها فرصت‌های جدیدی برای باستان‌شناسان فراهم می‌کند، بلکه تجربه‌های مجازی غوطه‌ور از طریق فناوری‌های واقعیت مجازی و متاورس را نیز به ارمغان می‌آورد و میراث جهانی را برای نسل‌های آینده حفظ می‌کند.”