Crean una Inteligencia Artificial capaz de reconstruir los fragmentos inconexos de las obras arqueológicas y de arte

Una parte de la Puerta de Istar en el Museo del Pérgamo (Berlín)

Tres investigadores del Technion (el Instituto de Tecnología Israelí) han desarrollado una Inteligencia Artificial capaz de recrear y recomponer los fragmentos inconexos en un objeto arqueológico. El algoritmo predice qué pieza debería ir al lado de la anterior y cómo debería ser, creando una imagen hipotética del objeto en cuestión. Para ello, antes los científicos "rompen" el objeto o la pintura (digitalmente) en piezas, como si fuera un puzle. Niv Derech, Ayellet Tal e Ilan Shimshoni son los tres israelíes inventores de la revolucionaria técnica.

El nuevo método se podrá aplicar a los algoritmos que ya existen para identificar y recomponer obras artísticas y arqueológicas. Los primeros datan del año 1964, y aunque pueda parecer mucho tiempo, no se ha avanzado tanto en este aspecto.

Los investigadores han publicado el trabajo en arXiv.org, un repositorio de artículos científicos en Internet. "Demostramos que nuestro enfoque vanguardista se las arregla para montar correctamente docenas de frescos y de artefactos rotos", explican en el estudio. Aseguran que reducirá "drásticamente" el tiempo que tardan los arqueólogos en restaurar las obras de arte y los hallazgos arqueológicos.

"Tiene numerosas áreas de aplicación, como en documentos destrozados, la edición de imágenes, biología y arqueología", explican los investigadores. El algoritmo también puede ser aplicado a las obras de arte. De hecho, en el estudio se detallan cómo ya se han llevado a cabo algunas pruebas con objetos pertenecientes al British Museum y con frescos bizantinos pintados en Chipre.

Mejorando los algoritmos existentes

La diferencia principal entre la IA desarrollada por los científicos del Technion y las otras técnicas ya existentes desde hace años es la imaginación: los algoritmos actuales, aunque también pueden trabajar con imágenes digitalizadas de los objetos, se fijan en otros aspectos como el color o la forma de los fragmentos. También tienen que superar problemas como la abrasión, la decoloración y la continuidad de las piezas rotas.

"Los artefactos arqueológicos no suelen estar limpios ni enteros. Al contrario, están rotos, erosionados, con 'ruido', y, en última instancia, es extremadamente desafiante para los algoritmos que los analizan o reensamblan", continúan los investigadores. La abrasión provoca agujeros en las piezas y la decoloración puede dar lugar a equívocos, dificultando la identificación de los fragmentos para los arqueólogos y restauradores.

La IA israelí viene a solucionar estos tres inconvenientes: "Primero, para abordar la abrasión de un fragmento proponemos extrapolarlo antes de volver a ensamblarlo. Esto reduce el problema de la continuidad (predecir cómo 'continuará' el fragmento). En segundo lugar, sugerimos un método de muestreo de transformación, el cual se basa en la noción de espacio de configuración, y que se adapta especialmente a nuestro problema", explican los israelíes.

En otras palabras, donde el resto de algoritmos que ya se usan para restaurar obras de arte solo tienen en cuenta los factores antes comentados, el algoritmo de los del Technion toma en consideración multitud de elementos, como los espacios entre la piezas, la decoloración, los límites difusos, las longitudes variables de los límites correspondientes y las transformaciones imprecisas. Tras analizar cada una de esas características, la IA coloca las piezas según considera que deberían formar parte del fresco o del elementos arqueológico en cuestión.

Como el algoritmo trabaja en cuatro fases, hemos decidido resumirlas una por una aquí debajo. La explicación de cada paso está extraída del estudio que los investigadores israelíes han subido a arxiv.

Nota al pie: se ha modificado el titular del artículo ya que daba lugar a error. También se ha cambiado la entradilla y el primer párrafo.

Etiquetas
Publicado el
23 de enero de 2019 - 22:04 h

Descubre nuestras apps

stats