Crean una Inteligencia Artificial capaz de recrear los fragmentos perdidos de las obras arqueológicas y de arte
Image: REUTERS/Amir Cohen (ISRAEL - Tags: RELIGION SOCIETY) - GM1EA411NO201
Tres investigadores del Technion (el Instituto de Tecnología Israelí) han desarrollado una Inteligencia Artificial capaz de recrear y recomponer los fragmentos que faltan 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 puzzle.
¿Cómo serían los frescos de la Villa de los Misterios, en Pompeya (Italia)? ¿Qué hay encima y debajo del Jesucristo del Ábside de San Clemente de Taull (Lleida)? ¿Cuántos trozos faltan en las pinturas de la iglesia de Arakos (Chipre)? Estas preguntas quedarán pronto resueltas gracias al algoritmo desarrollado por Niv Derech, Ayellet Tal e Ilan Shimshoni, los tres israelíes inventores de la revolucionaria técnica.
No es una máquina que haga fotos y después las pegue a modo de collage, sino un nuevo método que 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.
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.
1. Extrapolación de fragmentos
La IA primero toma una foto de cada fragmento o pieza y después la extrapola, lo que produce una banda amarilla a su alrededor que predice la región erosionada y el siguiente fragmento al que iría unido.
2. Muestreo de transformaciones
El algoritmo escanea los fragmentos extrapolados del paso anterior y selecciona los que más se parecen entre sí, asegurándose de que no se superpongan unos con otros. Si los píxeles de los fragmentos originales no se superponen pero sí lo hacen los píxeles extrapolados de los fragmentos, entonces, tienen una coincidencia. "Más tarde, durante la fase de emplazamiento, afinaremos las transformaciones más prometedoras, mejorando la precisión", explican.
3. Búsqueda de buenos resultados
Los investigadores otorgan una puntuación a cada uno de los fragmentos, en función de lo diferentes que sean unos con otros. Calculan una puntuación de confianza con la que se manejan y que, a su vez, indica la probabilidad de que dos fragmentos sean vecinos.
4. Emplazamiento
Tras seguir los pasos anteriores y unir los fragmentos en función de su puntuación, el algoritmo crea una pieza adyacente que muestra la visualización completa de la pieza de arte en cuestión.
No te pierdas ninguna actualización sobre este tema
Crea una cuenta gratuita y accede a tu colección personalizada de contenidos con nuestras últimas publicaciones y análisis.
Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso.
Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.
La Agenda Semanal
Una actualización semanal de los temas más importantes de la agenda global
Puedes anular tu suscripción en cualquier momento utilizando el enlace que figura en nuestros correos electrónicos. Para obtener más información, consulta nuestro Política de privacidad.