شبکه‌های عصبی، معابد باستانی را زنده می‌کنند: بازسازی سه‌بعدی شگفت‌انگیز میراث ایران و جهان!

مدل جدید در بازسازی دیجیتالی آثار فرهنگی، با اتکا به شبکه‌های عصبی

مجسمه‌های باستانی از نوع برجسته‌کاری، در بسیاری از مناطق تاریخی جهان دیده می‌شنوند، اما اغلب درجات مختلفی از آسیب و فرسودگی را تجربه کرده‌اند. روش‌های سنتی برای بازسازی این آثار، نیازمند کار دستی گسترده و دانش تخصصی بوده‌اند. حالا، دانشمندان یک مدل جدید از شبکه‌های عصبی را توسعه داده‌اند که می‌تواند این آثار برجسته را، به صورت تصاویر دیجیتالی سه‌بعدی، با استفاده از عکس‌های قدیمی که اطلاعات پیش از آسیب را دارند، بازسازی کند. این فناوری نوین، راه را برای حفظ دیجیتالی دقیق این میراث‌های باارزش هموار می‌سازد.

اهمیت مجسمه‌های برجسته‌کاری

برجسته‌کاری یا نقش‌برجسته‌ها، آثار باستانی هستند که تصاویری را از یک پس‌زمینه، مثل دیوار یا سنگ‌تراشی، بیرون می‌آورند و حس عمق ایجاد می‌کنند. این آثار که در سایت‌های باستانی سراسر جهان یافت می‌شوند، به‌ عنوان گنجینه‌های تاریخی و فرهنگی، با ارزشی فراوان شناخته شده‌اند. متاسفانه، بسیاری از این نقش برجسته‌ها در مناطق تاریخی مختلف جهان، با گذشت زمان، آسیب‌های گوناگونی دیده‌اند.

چالش‌های بازسازی آثار باستانی

در حالی که فن‌آوری‌های جدید اسکن سه‌بعدی و عکس‌برداری هوایی می‌توانند، شکل فعلی این آثار را به صورت دیجیتالی حفظ کنند، اما قادر به بازسازی ظاهر اولیه آن‌ها، پیش از آسیب، نیستند. علاوه بر این، روش‌های سنتی برای بازسازی، زمان‌بر بوده و نیازمند مداخله گسترده انسانی و دانش تخصصی هستند. یکی از راه‌های امیدوارکننده، بازسازی دیجیتالی سه‌بعدی این آثار، با استفاده از عکس‌های قدیمی است که قبل از آسیب‌دیدگی گرفته شده‌اند.

پیشرفت‌های تازه در بازسازی دیجیتالی

برخلاف تندیس‌های سه‌بعدی یا نقاشی‌های دوبعدی، آثار برجسته، عمق کمی دارند و باید از جلو یا از دو طرف دیده شوند. این به این معناست که یک تصویر، می‌تواند به طور موثر، اطلاعات بیشتری را که برای الگوریتم‌های بازسازی دیجیتالی سه‌بعدی نیاز است، فراهم کند. در یک پیشرفت بزرگ، گروهی از محققان بین‌المللی، به سرپرستی پروفسور ساتوشی تاناکا از دانشکده علوم و مهندسی اطلاعات دانشگاه ریتسومیکان در ژاپن، به همراه دکتر جیاو پان از دانشگاه علوم و فن‌آوری پکن در چین، یک شبکه‌ی عصبی چندوظیفه‌ای نوین را برای بازسازی سه‌بعدی و حفظ دیجیتالی آثار برجسته، با استفاده از عکس‌های قدیمی، توسعه دادند.

پروفسور تاناکا گفت: “قبلاً، ما یک روش بازسازی سه‌بعدی برای آثار باستانی، بر اساس تخمین عمق تک‌چشمی از عکس‌ها، پیشنهاد دادیم. اگرچه به دقت بازسازی 95 درصدی رسیدیم، اما جزئیات ظریف مانند چهره‌های انسانی و ریزه‌کاری‌ها، همچنان کمبود داشت. 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 تشخیص لبه‌ها

پروفسور تاناکا توضیح می‌دهد: “روش جدید ما، با بهبود تخمین عمق، به ویژه در نواحی دشوار لبه‌ها، از طریق یک رویکرد نوآورانه در شناسایی لبه‌ها، به این مسئله می‌پردازد.” تیم تحقیقاتی همچنین شامل پروفسور لیانگ لی از دانشگاه ریتسومیکان و پروفسور شیائوجوان بان از دانشگاه علوم و فن‌آوری پکن بود. نتایج این تحقیق، به صورت شفاهی، در کنفرانس بین‌المللی ACM Multimedia 2024 که در ماه اکتبر در استرالیا برگزار شد، ارائه شد و در مجموعه مقالات MM ‘24: Proceedings of the 32nd ACM International Conference on Multimedia در تاریخ 28 اکتبر 2024 منتشر گردید.

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 شناسایی‌کننده جدید لبه‌های نرم و یک ماژول تطابق لبه، به دست می‌آید. برخلاف دسته‌بندی‌های معمول لبه‌های باینری، شناسایی‌کننده لبه نرم، شناسایی لبه‌های داده‌های برجسته را به عنوان یک وظیفه چند‌دسته‌بندی در نظر می‌گیرد. لبه‌ها در تصاویر برجسته، نه تنها تغییرات در روشنایی را نشان می‌دهند، بلکه تغییرات در انحنا را نیز، به عنوان “لبه‌های نرم” شناسایی می‌کنند. شناسایی‌کننده لبه نرم، میزان “نرمی” این لبه‌ها را در تصاویر برجسته تعیین می‌کند و به بهبود تخمین عمق کمک می‌کند.

ماژول تطابق لبه

ماژول تطابق لبه، شامل دو شناسایی‌کننده لبه نرم است که نقشه‌های لبه نرم چند طبقه‌ای و یک نقشه عمق را از یک عکس برجسته‌ی ورودی استخراج می‌کند. با مطابقت و شناسایی اختلاف‌ها بین این دو نقشه، شبکه بیشتر بر روی نواحی لبه نرم تمرکز می‌کند، که منجر به تخمین عمق دقیق‌تری می‌شود. در پایان، شبکه، یک تابع ضرر تقویت‌شده‌ی دینامیک لبه را بهینه می‌کند، که شامل ضرر از هر سه وظیفه است و تصاویر سه‌بعدی شفاف و دقیقی از مجسمه‌ها می‌سازد.

بازسازی برجستگی‌های معبد بوروبودور

دانشمندان، این مدل نوین را برای بازسازی برجستگی‌های پنهان معبد بوروبودور استفاده کردند. پروفسور تاناکا می‌گوید: “برجستگی‌های دیواری در سطح زمین معبد بوروبودور، که یک اثر ثبت شده در میراث جهانی یونسکو در اندونزی است، به دلیل اقدامات مقاوم‌سازی انجام شده در دوران استعمار هلند، توسط دیوارهای سنگی پوشانده شده و قابل مشاهده نیستند. شبکه‌ی عصبی چند‌وظیفه‌ای ما، به طور موفقیت‌آمیزی، این بخش‌های پنهان برجستگی‌های سطح زمین بوروبودور را، از روی عکس‌های قدیمی موجود، بازسازی کرد. با استفاده از تصویرسازی رایانه‌ای و واقعیت مجازی، تحقیق ما اکنون امکان کاوش مجازی در این گنجینه‌های پنهان را فراهم می‌آورد.”

پیامدهای آینده

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