Dal Frammento al Reperto: Una Pipeline Basata su Modelli di Intelligenza Artificiale per la Ricostruzione Digitale 3D di Manufatti Archeologici = From Fragment to Artifact: An AI-Based Pipeline for the 3D Digital Reconstruction of Archaeological Artifacts

La ricostruzione digitale di oggetti fratturati è di crescente interesse in diversi ambiti, dalla conservazione dei beni culturali fino all’ingegneria biomedica. Tradizionalmente, questo compito è stato affrontato tramite metodi manuali o semi-automatici: alla base ci sono tecniche di analisi geometrica classica, algoritmi di matching basati su caratteristiche locali e approcci iterativi come l’ICP (Iterative Closest Point). Sebbene efficaci in scenari semplici, queste soluzioni presentano forti limiti quando applicate a frammenti complessi, poiché sensibili a rumore, incompletezza dei dati e variabilità delle fratture. L’avvento delle reti neurali e dei modelli di deep learning ha aperto nuove prospettive, rendendo possibile affrontare il problema in modo più automatizzato, cercando di raggiungere l'obiettivo finale anche senza supervisione umana. Tuttavia, anche questi metodi hanno dei limiti perché ancora grezzi e dipendenti dai dati usati in fase di addestramento. Il progetto di tesi è stato inizialmente affrontato in collaborazione, con la ricerca congiunta di una soluzione valida per la ricostruzione. Successivamente, al fine di esplorare approcci differenti al problema, il lavoro è stato diviso in due percorsi autonomi. Il presente lavoro di tesi propone un'architettura completa di supporto per la ricostruzione di oggetti fratturati, basata su due fasi principali: segmentazione dei frammenti e registrazione delle superfici di frattura. Parallelamente, l’altro percorso si è focalizzato sull’ottimizzare modelli di deep learning esistenti. Una prima fase di segmentazione permette di differenziare le regioni di frattura, sfruttando modelli di deep learning progettati per l’elaborazione di dati 3D (nuvole di punti). Successivamente, una fase di allineamento valuta i possibili accoppiamenti dei frammenti, stimando le trasformazioni rigide (rotazioni e traslazioni) che consentono di allinearli. La rappresentazione visiva e le metriche di distanza calcolate per ogni coppia guidano la scelta della migliore fusione. Quindi, attraverso un processo iterativo di validazione e ricomposizione, i frammenti vengono progressivamente uniti fino a ottenere una ricostruzione finale coerente e visualizzabile. Il contributo del lavoro di tesi nella definizione di una pipeline di deep learning integrata e iterativa, in grado di combinare tecniche di intelligenza artificiale e strumenti di visualizzazione per affrontare il problema complesso della ricostruzione di artefatti in modo sistematico e ordinato. L’approccio riduce il bisogno di intervento manuale, pur senza eliminarlo, migliora la precisione negli allineamenti e fornisce strumenti di analisi che consentono di monitorare le scelte effettuate lungo il processo di ricostruzione. I risultati attesi mostrano come questa metodologia possa migliorare l’efficienza della ricostruzione di artefatti rispetto ai metodi finora sviluppati, aprendo prospettive interessanti per applicazioni pratiche e per ulteriori sviluppi di ricerca. Questo lavoro, oltre a fornire un contributo metodologico, si pone anche come base per future estensioni verso contesti reali più complessi, in cui i frammenti sono numerosi, in condizioni di acquisizione non ideali e deteriorati dal tempo. In particolare, grazie alla modularità della pipeline sviluppata, questa si presta ad essere modificata ed arricchita con modelli multimodali e tecniche di apprendimento auto-supervisionato, ampliandone robustezza e generalizzabilità.