MENU
Un equipo de estudiantes universitarios busca explicar cómo es posible reconstruir piezas fracturadas
Estudiante desarrolla tecnología capaz de reconstruir reliquias
Vasijas incaicas, adornos coloniales, reliquias de la antigua Grecia o Roma podrán volver ahora a su estado original gracias a la reciente investigación realizada por un equipo de estudiantes universitarios que ha logrado desarrollar una tecnología que es capaz de reconstruir estos patrimonios culturales.
No solo eso, sino que también podrán reconstruir reliquias e incluso restos fósiles que se hayan quebrado o deteriorado por el paso del tiempo.
Los tres desarrollaron un paper denominado ‘MatchMakerNet: Enabling Fragment Matching for Cultural Heritage Analysis’ en el cual explican cómo es posible reconstruir piezas fracturadas y restos fósiles a su forma original.
“Automatizar el reensamblaje de objetos fragmentados es una tarea compleja en el ámbito del patrimonio cultural, paleontología y medicina. Para abordar esta brecha hemos diseñado una arquitectura de red que permitirá realizar el ‘match’ perfecto con todas las piezas para su reconstrucción”, explica Ariana Villegas, líder del grupo.
Automatizando procesos
Cuenta que al inicio se utilizó una red neuronal conocida como DGCNN. Sin embargo, debido a la complejidad de la red y a la gran cantidad de datos, el tiempo de entrenamiento para esta red era prohibitivo, lo cual implicaba un gasto en recursos computacionales; además, la red no tenía la capacidad para generalizar bien con nuevos datos.
Ante este problema, los investigadores propusieron modificar la red neuronal DGCNN, haciéndola más eficiente para que sea más pequeña y rápida. A esta variante la denominaron ‘MatchMakerNet’ la cual funciona como un cerebro que evalúa si dos piezas de un rompecabezas coinciden o no. Si las piezas coinciden, este sistema las marcará con un ‘1’, y si no lo hacen, las marcará con un ‘0’.
Este nuevo modelo resultó más efectivo que sus versiones previas, logrando una inferencia más rápida gracias a su tamaño reducido. Al ser más pequeña, facilitó el entrenamiento, que se necesite menos memoria RAM y, sobre todo, mejoró el rendimiento, logrando que el modelo entrenase en solo uno o dos días.
Para probar el modelo se utilizaron dos bases distintas: ‘Everyday and Puzzles 3D’ y ‘Breaking Bad’. La implementación del algoritmo se realizó utilizando módulos de la librería PyTorch y para el entrenamiento se usó el servidor Khipu.
La segunda fase está en proceso, y consiste en la reconstrucción total del objeto, utilizando la información obtenida de la primera etapa.
Próximos avances
El siguiente paso en esta investigación incluye proyectos de reconstrucción de objetos 3D utilizando el método de difusión. “Estamos promoviendo el área de Geometric Deep Learning. Hay proyectos futuros como reconstruir objetos con partes faltantes, recrear rostros con muy alta calidad a partir de bocetos hablados, entre otros; pero son trabajos que todavía están en proceso de desarrollo con resultados iniciales. Sin duda este trabajo es un aporte científico no solo para el Perú, también para todo el mundo”, destacó el docente Cristian López del Álamo.
