Reconstruction de poteries céramiques ibériques à l'aide de réseaux génératifs antagonistes

Jan 30, 2024

Rapports scientifiques volume 12, Numéro d'article : 10644 (2022) Citer cet article

1612 accès

20 Altmétrique

Détails des métriques

Plusieurs aspects de la culture passée, y compris les tendances historiques, sont déduits des modèles temporels observés dans les artefacts archéologiques appartenant à différentes périodes. La présence et la variation de ces objets fournissent des indices importants sur la révolution néolithique et compte tenu de leur abondance relative dans la plupart des sites archéologiques, les poteries en céramique sont très utiles à cette fin. Néanmoins, la plupart des poteries disponibles sont fragmentées, ce qui conduit à des informations morphologiques manquantes. Actuellement, le réassemblage d'objets fragmentés à partir d'une collection de milliers de fragments mélangés est une tâche ardue et chronophage effectuée presque exclusivement à la main, qui nécessite la manipulation physique des fragments. Pour surmonter les défis de la reconstruction manuelle et améliorer la qualité des échantillons reconstruits, nous présentons IberianGAN, un réseau antagoniste génératif (GAN) personnalisé testé sur une vaste base de données avec des références complètes et fragmentées. Nous avons formé le modèle avec 1072 échantillons correspondant à des profils de poterie au tour ibérique appartenant à des sites archéologiques situés dans la haute vallée du fleuve Guadalquivir (Espagne). De plus, nous fournissons des évaluations quantitatives et qualitatives pour mesurer la qualité des échantillons reconstruits, ainsi qu'une évaluation par des experts du domaine avec des archéologues. Le cadre résultant est un moyen possible de faciliter la reconstruction de la poterie à partir de fragments partiels d'une pièce originale.

Les preuves matérielles des populations passées à la recherche de nourriture sont un domaine de recherche prolifique en archéologie. Parmi les nombreux facteurs qui informent la transition néolithique, les poteries en céramique sont très instructives en termes de processus de sélection culturelle. Ils sont également l'un des artefacts archéologiques les plus fréquemment trouvés. Comme ils sont généralement de courte durée, les chercheurs trouvent ces artefacts utiles pour explorer chronologiquement et géographiquement, étant donné que la forme et la décoration sont sujettes à des changements de mode importants dans le temps et dans l'espace1. Cela donne une base pour dater les strates archéologiques et fournit des preuves à partir d'un large ensemble de données précieuses, telles que la production locale, les relations commerciales et le comportement de consommation de la population locale2,3,4. Plusieurs études antérieures analysent divers aspects de la céramique à l'aide de profils de poterie complets. La classification automatique des profils5,6,7,8,9 et l'extraction de caractéristiques10,11,12,13,14,15,16,17 ont été largement étudiées, allant des techniques traditionnelles de traitement d'image aux approches d'apprentissage en profondeur. Malheureusement, la céramique est fragile et, par conséquent, la plupart des céramiques réelles récupérées sur les sites archéologiques sont brisées, de sorte que la grande majorité du matériel disponible apparaît sous forme de fragments. Le réassemblage des fragments est une tâche ardue et chronophage effectuée presque exclusivement à la main, ce qui nécessite la manipulation physique des fragments. Une façon intuitive de comprendre le processus de fragmentation, ainsi que d'améliorer la tâche de reconstruction, consiste à produire de grandes quantités de poteries imitant les procédures suivies par les artisans ibériques, en les cassant, puis en analysant les ensembles de fragments résultants. Malheureusement, ces méthodes de traitement manuel et similaires pour ce type de matériel incomplet prennent beaucoup de temps et de main-d'œuvre, même pour les archéologues qualifiés18. En raison de ces facteurs, il existe un intérêt croissant pour le réassemblage et la reconstruction automatiques de la poterie19,20,21 et l'analyse des fragments22. Néanmoins, les travaux existants résolvent le problème des fragments en utilisant des comparaisons entre des pièces connues. La meilleure correspondance dans l'ensemble de données est le meilleur fragment pour cette poterie. Nous proposons ici une approche d'apprentissage en profondeur dans laquelle le "meilleur fragment" est généré artificiellement sur la base d'un ensemble de fragments connus dans le modèle, créant ainsi de nouvelles poteries virtuelles avec les mêmes caractéristiques que les vraies. Les principaux apports de cet article sont :

Nous présentons IberianGAN, un cadre basé sur des modèles génératifs qui reconstruisent des profils de poterie à partir de fragments de jante ou de base (voir Fig. 1A, B).

Nous générons des échantillons de fragments artificiels en utilisant une méthode pour diviser les profils de poterie complets en deux parties (resp. Base et jante, voir Fig. 1C).

Nous évaluons quatre autres approches à des fins de comparaison avec notre architecture. De plus, nous validons les cinq méthodes à l'aide d'une étude basée sur la morphométrie géométrique (voir Fig. 1D et Fig. 2), une validation d'experts du domaine et un classificateur de forme ouvert/fermé (Fig.S1).

Aperçu de l'approche proposée. (A) Architecture ibérique GAN. Le générateur G(x) est basé sur une architecture codeur-décodeur. A réception d'un fragment de poterie, l'encodeur le transforme en vecteur puis le décodeur génère le fragment manquant ou inconnu. Le discriminateur D(x) reçoit le profil complet pour déterminer s'il est vrai ou faux. (B) Critères de partitionnement des profilés en bord et base des profilés. (C) Exemples d'échantillons générés par IberianGAN à partir de fragments pour les formes ouvertes et fermées (indiquées en couleur plus claire). (D) Analyse semi-repère et valeurs RMSE en comparant les échantillons réels et générés artificiellement.

Validation de forme. En orange, profil généré avec une jante réelle. En bleu, profil ibérique actuel complet. En rose, les k voisins les plus proches du fragment réel (à l'exclusion du bord d'entrée). dr est la distance entre la jante réelle et la jante générée. dg est la distance minimale (dans l'espace morphométrique de base) entre le fragment généré et ses K voisins dans l'espace morphométrique de bord.

Les données brutes appartiennent à des images de profil binaires, correspondant à des poteries ibériques faites au tour de divers sites archéologiques de la haute vallée du fleuve Guadalquivir (Espagne). Les images disponibles consistent en une vue de profil de la poterie, où les résolutions d'image (en pixels), correspondant à l'échelle de taille, peuvent varier en fonction des paramètres d'acquisition (Fig. S2). Nous avons divisé ces images en parties de jante et de base pour simuler les fractures dans les profils. Le critère de partitionnement et l'orientation dépendent de la forme initiale (fermée ou ouverte, voir Fig. 1B). L'ensemble de données résultant est composé de 1075 images, réparties au hasard en un sous-ensemble d'apprentissage contenant 752 images (70%), un ensemble de validation de 108 (10%) et un ensemble de test de 215 images (20% de l'ensemble de données total).

Les GAN ont montré des résultats remarquables dans diverses tâches de vision par ordinateur telles que la génération d'images23,24, la traduction d'images25,26, la synthèse d'images faciales27,28,29 et récemment la génération de texte30,31 et audio32. Un cadre GAN33 typique contient un réseau de neurones génératif (G) et discriminatif (D) tel que G vise à générer des échantillons réalistes, tandis que D apprend à discriminer si un échantillon provient de la distribution réelle des données (H0) ou non. D(x) doit être élevé lorsque x provient des données d'apprentissage et faible lorsque x provient du générateur. La variable z est un vecteur d'espace latent échantillonné à partir d'une distribution normale. G(z) représente la fonction génératrice qui associe le vecteur latent z à l'espace de données des profils de poterie ibérique.

Plusieurs itérations informeront G sur la façon d'ajuster le processus de génération pour tromper D. Dans notre cas, l'élément de données x correspond à un tableau binaire bidimensionnel contenant la géométrie du profil de la poterie. D(G(z)) est la probabilité que la sortie du générateur G soit un échantillon réel de l'ensemble de données de poterie ibérique. D essaie de maximiser (log D(x)), qui est la probabilité d'avoir une classification correcte des formes réelles, tandis que G essaie de minimiser (log (1 − D(G(x))), qui est la probabilité que D reconnaisse l'une des fausses sorties générées par G. ed convolutions for down-sampling and up-sampling. Dans d'autres travaux, le vecteur z est construit à partir d'une ou plusieurs images d'entrée, l'échantillon généré est conditionné par l'entrée. À ce type de GAN d'auto-encodage (AE-GAN) s'ajoute un réseau d'encodeurs entraînés à apprendre une fonction \(E:X \to Z\), mappant chaque échantillon réel à un point (z) dans l'espace latent35. section "méthodes".

Les résultats d'IberianGAN ont été comparés à plusieurs approches basées sur AE-GAN35. Toutes les approches contiennent des variations dans l'architecture ou le processus de formation (voir la section "Matériels et méthodes"). Nous évaluons les méthodes à travers plusieurs métriques génératives, une analyse morphométrique géométrique, une validation basée sur un classificateur de forme ouvert et fermé, et un test de validation réalisé par des experts du domaine. En particulier, pour évaluer la qualité des images produites par IberianGAN, nous avons calculé les métriques génératives suivantes : Root Mean Square Error (RMSE), Frechet Inception Distance (FID)36, Geometry Score (GS)37 et Dice Coefficient38. RMSE permet d'évaluer les résultats générés par rapport aux profils réels. RMSE quantifie la différence entre deux images. Plus une valeur RMSE est petite, plus les profils sont similaires. La métrique FID vise à comparer la distribution des images générées avec la distribution des images réelles. Une valeur FID inférieure indique des images de meilleure qualité et un score plus élevé indique une sortie de qualité inférieure. Le GS permet de comparer la topologie des variétés sous-jacentes pour deux formes (dans ce cas, la poterie réelle et celles synthétiques) de manière stochastique37. Des valeurs GS faibles indiquent des topologies similaires entre deux ensembles de données. Enfin, le coefficient Dice permet de comparer deux images binaires (pixels noirs ou blancs). La métrique prend une valeur normalisée dans [0, 1], où 0 signifie que deux images sont complètement différentes, et 1 se produit lorsque les deux sont la même image. Dans le tableau 1, nous présentons les mesures de performance pour l'ensemble de test à partir de l'ensemble de données ibérique. Pour les scores RMSE, FID et DC, IberianGAN a une performance nettement meilleure par rapport aux architectures présentées ailleurs.

Cela signifie que les profils générés ont une distribution géométrique similaire par rapport aux échantillons réels, et donc les poteries résultantes sont comparables aux échantillons réels. Une alternative proposée avec apprentissage par renforcement (AE-GAN-LR) améliore la similarité topologique (métrique GS). Néanmoins, la similitude topologique n'est pas le facteur le plus pertinent, et qu'il existe effectivement un chevauchement entre les topologies synthétiques générées par AE-GAN-LR et IberianGAN (voir Fig. 3A), nous considérons que les échantillons synthétiques générés par ce dernier peuvent être considérés comme topologiquement corrects par rapport aux échantillons réels. De plus, nous avons évalué qualitativement la distribution des données. Pour cela, nous avons créé un espace de fonctionnalités à l'aide de l'analyse en composantes principales (ACP) avec les images de la poterie réelle et générée. Sur la figure 3B, nous observons que la distribution dans cet espace de caractéristiques des images réelles est similaire à la distribution des images générées avec IberianGAN. Nous comparons qualitativement les résultats de toutes les approches. Dans la figure 4, nous montrons quelques résultats en utilisant la même entrée et en la comparant avec l'image originale de l'ensemble de données. Comme observé, IberianGAN regarde l'image d'entrée et complète le fragment avec des résultats convaincants (voir d'autres résultats dans la Fig. S4). Compte tenu des résultats mentionnés ci-dessus, IberianGAN peut être utilisé de manière satisfaisante pour estimer les fragments manquants et fournir des profils de poterie réalistes et complets, en conservant les propriétés géométriques des poteries d'origine.

(A) Distribution GS de l'ensemble de données réel (bleu) et généré (orange). Pour plus d'informations sur la métrique GS voir section « Matériels et méthodes » : Métriques d'évaluation. (B) Comparaison PCA sur l'ensemble de données réelles complet et 1200 échantillons générés aléatoirement.

Des exemples aléatoires ont été échantillonnés pour comparer les performances d'IberianGAN par rapport aux autres approches. La poterie générée est en orange. En noir est le fragment d'entrée.

Dans le jeu de données de profil réel, la forme de base d'un profil apparaît en combinaison avec seulement un sous-ensemble de l'ensemble des jantes (et vice-versa), c'est-à-dire que toutes les combinaisons base/jante ne sont pas présentes dans les profils réels. En effet, toute la structure de la poterie est généralement conçue pour servir un seul but (par exemple, stockage de liquide, cuisine, transport, boisson, rituel, etc.). Certaines combinaisons base/rebord créeraient des pots inutiles ou peu pratiques (par exemple, avec une très petite base et un grand rebord). Un effet similaire est observé lors de l'analyse de la conception de la pointe du projectile39 où les variations des conceptions de la tige et de la lame (deux parties d'une pointe de projectile) de ces artefacts sont étudiées de manière modulaire pour déterminer la relation dans les conceptions de ses formes. Ainsi, nous évaluons la capacité d'IberianGAN à générer des jantes avec une forme valide à partir de bases existantes et vice-versa. Sur la base de39, nous avons extrait des semi-repères pour analyser la forme des fragments générés. En utilisant l'ensemble de données de profil de la poterie réelle, nous avons créé un espace morphométrique en utilisant les semi-repères des fragments comme entrée pour une PCA. Nous avons travaillé avec quatre espaces morphométriques, deux pour les formes fermées et deux pour les formes ouvertes de poterie, chacune contenant ses bords et bases correspondants. Afin d'obtenir une métrique permettant de comparer les profils générés, nous analysons la distance euclidienne entre les fragments générés et les profils de poterie réels dans ces espaces morphométriques (voir une description graphique dans la Fig. 2). Étant donné un pot généré à partir d'un fragment existant (par exemple, une jante), nous divisons d'abord le profil généré et localisons les deux moitiés résultantes sur leurs espaces correspondants, puis analysons la distance entre les fragments réels et générés (dr sur la Fig. 2). Pour évaluer l'autre moitié du profil généré, on utilise les K fragments (K = 50) les plus proches du réel (le fragment d'entrée) dans le premier espace, et on place ses paires dans l'autre espace (dans notre exemple, l'espace généré pour toutes les bases réelles). Nous calculons la distance minimale dans cet espace entre le fragment généré et ses voisins dans le premier espace (dg sur la Fig. 2). Ce type de validation morphométrique établit la capacité de la méthode à générer un fragment avec une forme réelle à partir d'un fragment d'entrée. Dans le tableau 2, nous montrons les distances euclidiennes moyennes dans toutes les approches testées dans ce travail (voir la section "Matériels et méthodes"). Le tableau présente deux parties, correspondant à des formes ouvertes et fermées. Nous avons considéré deux scénarios, lorsque l'entrée est une jante ou est une base. Comme IberianGAN n'a généré que le fragment inconnu, les distances entre l'entrée et le fragment connu sont proches de zéro. Dans les approches où le réseau a généré la forme de l'ensemble du profil, les distances entre les fragments connus et inconnus sont similaires.

Séparément des modes génératifs, nous avons formé un classifieur binaire. Ce modèle est capable de classer les profils de vaisseaux ouverts et fermés. Nous avons utilisé des poids pré-formés de ResNet-1840. Cette validation vise à vérifier que les données générées par les différents modèles sont capables d'imiter les échantillons réels et que le classifieur peut prédire les bonnes classes même lorsqu'il est entraîné avec uniquement des échantillons de données réels. Le tableau S1 montre les mesures de classification à l'aide des différents ensembles de données. En particulier, on voit que le classifieur n'est pas affecté par les données générées. Notamment, les métriques s'améliorent par rapport à la partie réelle des données de test dans tous les cas. De plus, sur la figure S1, nous pouvons voir une représentation graphique de la sensibilité par rapport à la spécificité du classificateur lorsque le seuil de discrimination varie. Ce type de résultat montre que les nouveaux échantillons générés sont similaires dans leur distribution et leur forme aux données réelles. De plus, notez qu'ils n'affectent pas la précision du classifieur.

Nous avons conçu une expérience pour les experts en archéologie du domaine afin d'évaluer la capacité d'IberianGAN à créer des profils de poterie avec un style ibérique adéquat. Pour cela, nous présentons sous la forme d'un questionnaire en ligne un ensemble d'images (voir Fig. S3) à six archéologues spécialisés dans la culture ibérique. Dans l'enquête, nous affichons une sélection aléatoire de 20 images dont la moitié correspond à des profils de poterie ibérique réels et l'autre moitié à des profils générés par IberianGAN. Chaque image a un choix multiple pour l'évaluer entre 0 et 5 afin de déterminer le niveau de similitude avec un style ibérique, où 0 signifie sans rapport avec le style ibérique et 5 signifie entièrement dans le style ibérique. Dans l'ensemble, les échantillons générés ont obtenu une note moyenne de 3,88 avec un écart type de 1,43 pour tous les archéologues et les échantillons réels ont obtenu une note de 3,93 ± 1,45. Pour conclure, les archéologues considèrent que les poteries générées ont en moyenne un style ibérique similaire à celui que l'on retrouve dans les poteries actuelles. Ceci est important car IberianGAN est capable de générer une poterie de style ibérique à partir d'un fragment incomplet.

La céramique est l'un des artefacts archéologiques les plus fréquemment trouvés et constitue les vestiges centraux habituellement utilisés pour étudier les variations de style, les matériaux employés et les techniques de fabrication. Explorer la variation diachronique et géographique de la poterie est d'une importance capitale pour reconstituer la dynamique de la transition néolithique dans différentes régions. Cependant, la céramique est fragile et, par conséquent, la plupart des matériaux récupérés sur les sites archéologiques sont brisés. Par conséquent, les échantillons disponibles apparaissent en fragments. Le réassemblage des fragments est une tâche ardue et chronophage réalisée presque exclusivement à la main, qui nécessite la manipulation physique des lambeaux de céramique. Ainsi, une approche générative, comme IberianGAN, qui traite automatiquement les fragments et fournit une analyse de reconstruction peut aider les archéologues dans le processus de réassemblage.

Une telle approche a un impact plus large en fournissant un cadre général pour le réassemblage d'objets. Notre cadre proposé est flexible pour travailler sur différents ensembles de données céramiques qui présentent une variété de matériaux fracturés (voir les résultats de la poterie romaine sur la figure S6). IberianGAN pourrait être utilisé au-delà de la simple poterie céramique afin de reconstruire d'autres vestiges archéologiques (par exemple, des pointes de projectiles, des bâtiments historiques, etc.) et anthropologiques (par exemple, des crânes, des os post-crâniens, etc.).

Nous avons évalué les performances d'IberianGAN sur la base de trois approches différentes mais complémentaires : (a) des métriques classiques pour évaluer le processus génératif d'images (voir Tableau 1 et Fig 2) ; (b) analyse de la forme basée sur la structure de la poterie (voir section « Résultats » : validation de la forme), et (c) validation via un examen indépendant d'archéologues spécialisés dans le patrimoine ibérique (« Résultats » : validation par un expert du domaine).

Les résultats obtenus dans le cadre des trois approches suggèrent que notre approche est capable de générer des poteries qui satisfont aux critères d'image, de structure morphométrique de la poterie et de validation par des experts. Bien que des performances encourageantes soient obtenues avec IberianGAN pour la prédiction des fragments dans la base de données de poterie ibérique faite au tour, certaines limitations doivent être résolues. En général, les archéologues travaillent avec des fragments appartenant à la base ou au sommet de la poterie. Par conséquent, le réseau a toujours été entraîné à l'aide d'un fragment de base ou de jante, ce qui signifie que le modèle positionnera toujours un fragment en tant que base ou jante. De plus, notre approche utilise de grands fragments lors de la formation et de l'évaluation. Des études supplémentaires sont nécessaires pour déterminer la taille minimale acceptée d'un fragment pour que le modèle fonctionne comme prévu. Néanmoins, nous pensons que notre cadre proposé est le premier pas vers une utilisation plus large des réseaux génératifs pour la reconnaissance et l'assemblage de fragments, ce qui ouvrira de nouvelles voies de recherche liées à des applications sur différentes mesures de fragments et même dans la céramique 3D en particulier et les objets en général.

Les recherches antérieures sur la poterie comprennent à la fois des approches classiques, basées sur l'analyse comparative de la forme, des dimensions, de la décoration, des éléments technologiques, de la couleur, des caractéristiques géométriques, de l'axe de symétrie, des matériaux utilisés, etc. et de nouvelles méthodes basées sur des techniques d'apprentissage automatique en général et d'apprentissage profond en particulier appliquées à la caractérisation de la céramique. Dans l'ensemble, les profils de poterie ont été utilisés dans le cadre de la classification5,6,7,8,9 et pour étudier les variations des attributs de forme et/ou de style10,11,12,13,14,15,16,17. Comme indiqué précédemment, toutes les poteries trouvées dans les fouilles ne sont pas complètes; c'est pourquoi il est essentiel d'améliorer les méthodes de caractérisation visant à identifier les céramiques fragmentées. Rasheed et al19 ont présenté une méthode basée sur une fonction polynomiale pour reconstruire la poterie à partir de fragments archéologiques. Étant donné une image d'un fragment, la courbe de bord est extraite et approchée par une fonction polynomiale pour obtenir un vecteur de coefficient. La meilleure correspondance entre les fragments de poterie par paires se fait en fonction de la relation de leurs coefficients.

D'autres auteurs ont proposé une méthode pour générer les pièces manquantes d'une découverte archéologique20,21 à partir d'un modèle 3D. Dans la zone où les fragments manquants sont censés se trouver, des croquis sont créés par modélisation inversée et par conséquent utilisés pour concevoir les fragments manquants. Enfin, la reproduction numérique de la pièce manquante est réalisée grâce à la technologie Additive Manufacturing.

Les GAN ont montré des résultats remarquables dans divers domaines d'application. Leur capacité à apprendre des distributions complexes et à générer des échantillons sémantiquement significatifs a conduit à de multiples variations dans la conception du réseau et à de nouvelles techniques de formation (GANs33, GANs41 conditionnels, InfoGAN42, BAGAN43). Fonctions de perte personnalisées (Perte de contenu44, Perte de cohérence de cycle45) et approches d'adaptation de domaine (ADDA46, CycleGAN47), etc. Un examen plus complet des différentes variantes de GAN et des techniques de formation peut être trouvé dans48,49,50.

En outre, il existe de nombreux exemples de GAN appliqués aux domaines du patrimoine culturel. Par exemple, des techniques telles que le transfert automatisé de style d'image51 ont été utilisées pour développer un modèle visant à générer des images de style porcelaine cantonaise à partir de masques définis par l'utilisateur. Des techniques similaires ont également été appliquées à la dégradation des matériaux47,52,53,54,55,56. Hermoza et al.57, par exemple, ont introduit ORGAN, un GAN de reconstruction 3D pour restaurer des objets archéologiques. Celui-ci est basé sur un encodeur-décodeur 3D DNN au-dessus d'un GAN basé sur des cGANs41. Ce réseau peut prédire les parties manquantes d'un objet incomplet. Une approche similaire est suivie en 58, où un Z-GAN traduit une seule image d'un objet endommagé en voxels afin de reconstruire la pièce d'origine. Les deux études abordent le problème de la prédiction de la géométrie manquante sur des objets endommagés qui ont été modélisés en 3D et voxélisés. Plus précisément, ces études partent de l'hypothèse que les objets fabriqués par l'homme présentent une sorte de structure et de régularité. Le type de structure le plus couramment utilisé est la symétrie. À partir d'un GAN, ils apprennent la structure et la régularité d'une collection d'objets connus et l'utilisent pour compléter et réparer des objets endommagés incomplets. Un autre exemple de préservation du patrimoine culturel peut être trouvé dans la référence59, où une approche d'achèvement d'image est adaptée60 pour la conservation et l'achèvement d'œuvres d'art endommagées.

Nous avons conçu, formé et évalué cinq réseaux génératifs différents basés sur AE-GAN, mais avons utilisé plusieurs procédures de formation pendant la phase d'expérimentation. Dans cette section, nous avons détaillé chaque stratégie incrémentale appliquée dans le processus et leurs hyperparamètres correspondants et les techniques de formation et la configuration. Les données et le code source avec la configuration des hyperparamètres et les différentes approches analysées dans cette étude sont librement disponibles dans IberianGAN à https://github.com/celiacintas/vasijas/tree/iberianGAN à des fins d'extension et de réplication.

Tous les réseaux résultants ont été entraînés pendant 5000 époques en utilisant l'entropie croisée binaire comme fonction de perte, à un taux d'apprentissage de 2 × 10−4 pour le réseau génératif (G) et de 2 × 10−5 pour le discriminateur (D). Pour optimiser le processus de formation de tous les modèles, nous avons redimensionné les images à une résolution uniforme de 128 × 128 pixels et inversé les couleurs. Nous avons appliqué l'augmentation des données, notamment une rotation aléatoire (entre 0 et 45 degrés). Nous avons utilisé l'optimisation ADAM61 pour G et D avec β1 = 0,5 et β2 = 0,999 et utilisé Binary Cross Entropy comme fonction de perte. En particulier, pour l'apprentissage de D, nous avons utilisé Label Smoothing62, l'ensemble réel est représenté par un nombre aléatoire compris entre 0,7 et 1,2 et l'ensemble généré par 0,0 et 0,33.

Initialement, nous avons formé un AE-GAN typique pour générer un profil de poterie complet. Nous avons implémenté un générateur (G) avec une architecture qui admet deux images en entrée et un discriminateur (D) avec trois images en entrée (les deux entrées et l'image générée). Pendant la formation et pour accélérer le processus de convergence de G, nous créons différents types d'entrée avec la même probabilité et sélectionnons une paire d'images. Les types d'entrée possibles étaient rim/base (ou base/rim), base/black image ou rim/black image (voir Fig. S5-A). Par la suite, dans le but d'obtenir une traduction du fragment d'entrée vers le profil de poterie complet, nous modifions l'architecture de l'encodeur dans la partie AE-GAN du générateur, appelée AE-GAN-MP. Dans ce cas, le codeur du générateur traite une image d'entrée à la fois. Nous faisons cela pour intégrer les images d'entrée séparément et appliquer une couche de regroupement maximum pour joindre les deux représentations, voir Fig. S5-B. Cette modification permet une plus grande variabilité dans la représentation pour générer le profil complet.

De plus, nous définissons une nouvelle fonction de perte pour former le générateur de l'architecture AE-GAN-MP. En utilisant la stratégie de plusieurs types d'entrées (jante/base, base/jante, jante/noire et base/noire), nous calculons cette nouvelle fonction de perte uniquement lorsque les entrées sont complètes (par exemple, jante/base ou base/jante). Pour cela, nous utilisons Mean Square Error (MSELoss) défini comme suit :

où \(\hat{y}\) est la poterie prédite et \({\text{y}}\) est l'exemple réel. L'objectif est que le générateur minimise l'erreur MSE entre le résultat et la cible (profil de poterie réelle). Enfin, pour obtenir une relation plus forte entre les entrées et la poterie générée, nous concevons une stratégie pour modifier la poterie résultante (ou itérer pour obtenir un résultat plus précis). Pour ce faire, nous utilisons l'entrée avec le résultat précédent pour générer une nouvelle poterie (le résultat final) avec deux itérations. Le résultat intermédiaire s'ajoute à l'entrée à l'aide d'opérations de matrice d'image, voir Fig. S5-C. Nous avons appelé cette approche AE-GAN avec apprentissage par renforcement (AE-GAN-RL).

IberianGAN est basé sur l'AE-GAN, où le générateur est un réseau d'auto-encodage \({\text{Encode}}\left( {\text{x}} \right) \to {\text{z }} \in {\text{R}}^{{\text{m}}} ,{\text{Decode}}\left( {\text{Z}} \right) \to {\text{x}}^{{\prime }}\), où \( {\text{x}} \in \left[ {0,1} \right]^{{{\text{m}} \times {\text{m}}}}\), est le fragment d'entrée, un tableau binaire à deux dimensions contenant les informations sur la forme du fragment, et x' est une partie générée manquante. Pour former le réseau discriminateur, nous utilisons D(y) où \({\text{y }} = {\text{ x }} + {\text{ x}}^{{\prime }}\) pour les exemples générés. À ce stade, le réseau ne génère qu'un fragment inconnu et le discriminateur est entraîné avec le profil complet. Comme IberianGAN ne génère que le fragment manquant, pour son processus de formation, il n'est pas nécessaire d'utiliser deux images en entrée (voir Fig. 1A). Pour la formation, nous n'utilisons qu'une image qui correspond à la base ou au bord du profil. La définition complète, la mise en œuvre, la formation et l'évaluation d'IberianGAN peuvent être trouvées ici : https://github.com/celiacintas/vasijas/tree/iberianGAN.

Dans cette section, nous montrons le processus d'évaluation de la qualité des échantillons générés. Pour comparer les résultats des différentes approches, nous utilisons deux approches. Tout d'abord, un ensemble de mesures utilisées pour évaluer les GAN, ces métriques font référence à la distribution générale de toutes les poteries générées. De plus, nous utilisons des métriques comparant le résultat obtenu avec les poteries réelles, par exemple, pour évaluer les fragments connus dans les poteries générées. Pour le premier type, nous considérons l'évaluation de la distribution et de la forme des profils générés. Tout d'abord, nous utilisons la Frechet Inception Distance (FID)36, qui est actuellement l'une des mesures les plus courantes pour évaluer les GAN63. Le FID permet de quantifier les différences de densité de deux distributions dans l'espace des caractéristiques de grande dimension d'un classificateur InceptionV364. En détail, FID intègre les images dans un espace de descripteur (défini par une couche intermédiaire d'Inception-V3) avec un haut niveau d'abstraction. Cet espace de caractéristiques est utilisé pour calculer la moyenne et la variance des données générées et des données réelles. La distance de Fletcher est calculée entre ces distributions. Le FID est calculé selon cette équation :

où (µr, Σr) et (µg, Σg) sont respectivement la moyenne et la covariance des données réelles et des distributions générées. De petites distances indiquent que la distribution des données est similaire, dans notre cas, que les poteries générées ont une distribution similaire aux vraies. FID est basé sur un réseau de classificateurs. Il a été démontré que ce type de métrique se concentre sur les textures plutôt que sur les formes65, nous avons donc décidé d'évaluer les approches avec une métrique basée sur la forme, le Geometry Score (GS)37.

GS est une métrique permettant de comparer les propriétés topologiques de deux ensembles de données. Formellement GS est la distance l2 entre les moyennes des vecteurs de durée de vie relative (RLT) associés aux deux groupes d'images. Le RLT d'un groupe d'images (encodé dans un espace de caractéristiques, par exemple) est un vecteur infini (v1, v2, ..., vi) où la ième entrée est une mesure d'intervalles persistants qui ont un rang de groupe homologue persistant égal à i. vi est défini comme suit :

où Ij = 1 est le rang d'un groupe homologue persistant de dimension 1 dans l'intervalle [dj, dj + 1] est i et Ij = 0 est l'inverse37. Des valeurs GS faibles indiquent une topologie similaire entre l'ensemble d'images. En revanche, pour le deuxième groupe de métriques, nous évaluons les résultats par rapport aux poteries complètes. Il est important de préciser que nous n'essayons pas que les résultats soient les mêmes que la poterie réelle puisqu'elle n'est générée qu'avec un fragment, avec cet objectif, nous utilisons deux métriques fréquentes dans le traitement d'image, Root Mean Square Error (RMSE) et DICE Coefficient38.

RMSE est une métrique qui permet des comparaisons de similarité entre deux échantillons (profils de poterie dans ce cas). Ceci est mesuré en utilisant la racine carrée de la moyenne des différences au carré entre les pixels de l'image générée et l'image réelle. La RMSE entre une image de profil réelle, (image d) et l'image générée, (image f ) est donnée par

Cette métrique est calculée pixel par pixel, où di et fi sont respectivement les pixels de l'image D et F. Dans cette formule, les faibles valeurs RMSE indiquent une erreur mineure. Le coefficient DICE permet d'évaluer la géométrie entre le profil généré et le réel. Cette métrique est couramment utilisée pour évaluer les résultats dans les réseaux de segmentation66. C'est pourquoi pour calculer le coefficient DICE, les images doivent être binaires (noir et blanc). Ce coefficient évalue les images comme deux superpositions de formes. Pour ce faire, la région de l'image générée et la région du profil réel sont calculées. Etant donné le profil généré A et le profil réel B, DICE est calculé38 :

où A et B sont la taille en pixel du profil. La valeur maximale de la métrique est 1 lorsque la forme est identique à la vraie et 0 lorsque la forme totale ne correspond pas.

Les données et le code qui étayent les conclusions de cette étude sont librement disponibles dans IberianGAN à l'adresse https://github.com/celiacintas/vasijas/tree/iberianGAN à des fins d'extension et de réplication.

Eslami, D., Di Angelo, L., Di Stefano, P. & Pane, C. Examen des méthodes informatiques pour la reconstruction de tessons de céramique archéologique. Archéol virtuel. Rév.11, 34–49 (2020).

Article Google Scholar

Orton, C., Tyers, P. & Vinci, A. Poterie en archéologie (Cambridge University Press, 1993).

Google Scholar

Kampel, M. & Sablatnig, R. Un système automatisé d'archivage et de reconstruction de poterie. J.Vis. Calcul. Anima. 14, 111-120 (2003).

Article Google Scholar

Kashihara, K. Un système d'assistance informatique intelligent pour la restauration d'artefacts basé sur des algorithmes génétiques avec des caractéristiques d'image plane. Int. J. Comput. Renseignement. Appl. 16, 1750021 (2017).

Article Google Scholar

Lucena, M., Fuertes, JM, Martinez-Carrillo, AL, Ruiz, A. & Carrascosa, F. Classification efficace des céramiques ibériques à l'aide de courbes simplifiées. J. Cult. Héritage. 19, 538–543. https://doi.org/10.1016/j.culher.2015.10.007 (2016).

Article Google Scholar

Lucena, M., Fuertes, JM, Martínez-Carrillo, AL, Ruiz, A. & Carrascosa, F. Classification des profils de poterie archéologique à l'aide de l'analyse modale. Multimed. Outils Appl. 76, 21565–21577. https://doi.org/10.1007/s11042-016-4076-9 (2017).

Article Google Scholar

Cintas, C. et al. Extraction automatique de caractéristiques et classification des céramiques ibériques sur la base de réseaux convolutionnels profonds. J. Cult. Héritage. 41, 106-112. https://doi.org/10.1016/j.culher.2019.06.005 (2020).

Article Google Scholar

Llamas, J., Lerones, PM, Zalama, E. & Gómez-García-Bermejo, J. Application de techniques d'apprentissage en profondeur aux images du patrimoine culturel dans le cadre du projet INCEPTION. Dans Lecture Notes in Computer Science (y compris les sous-séries Lecture Notes in Artificial Intelligence et Lecture Notes in Bioinformatics), vol. 10059 LNCS, 25–32. https://doi.org/10.1007/978-3-319-48974-2_4 (2016).

Di Angelo, L., Di Stefano, P. & Pane, C. Caractérisation dimensionnelle automatique de la poterie. J. Cult. Héritage. 26, 118–128. https://doi.org/10.1016/j.culher.2017.02.003 (2017).

Article Google Scholar

Shennan, S. & Wilcock, J. Variation de forme et de style dans les cloches d'Allemagne centrale. Sci. Archéol. 15, 17–31 (1975).

Google Scholar

Rice, PM Pottery Analysis (University of Chicago Press, 1987).

Google Scholar

Nautyal, V. et al. Modélisation géométrique de la poterie archéologique indienne : une étude préliminaire. Dans Clark, J. & Hagemeister, E. (eds.) Exploring New Frontiers in Human Heritage. CAA2006. Applications informatiques et méthodes quantitatives en archéologie (Fargo, États-Unis, 2006).

Mom, V. SECANTO—L'OUTIL D'ANALYSE DE SECTION. Dans Figueiredo, A. & Velho, GL (eds.) Le monde est dans vos yeux. CAA2005. Applications informatiques et méthodes quantitatives en archéologie, 95–101 (Tomar, Portugal, 2007).

Saragusti, I., Karasik, A., Sharon, I. & Smilansky, U. Analyse quantitative des attributs de forme basée sur les contours et les profils de section dans l'analyse des artefacts. J. Archéol. Sci. 32, 841–853 (2005).

Article Google Scholar

Karasik, A. & Smilansky, U. Classification morphologique informatisée des céramiques. J. Archéol. Sci. 38, 2644-2657 (2011).

Article Google Scholar

Smith, NG et al. La base de données de requêtes informatiques sur la poterie : une nouvelle méthode pour les analyses mathématiques et quantitatives de grands ensembles de données céramiques régionales. J. Archéol. Théorie de la méthode 21, 212–250. https://doi.org/10.1007/s10816-012-9148-1 (2014).

Annonces d'article Google Scholar

Navarro, P. et al. Apprentissage de la représentation caractéristique de la céramique ibérique avec des modèles de classification automatique. J. Cult. Héritage. 48, 65–73. https://doi.org/10.1016/j.culher.2021.01.003 (2021).

Article Google Scholar

Di Angelo, L., Di Stefano, P. & Pane, C. Une méthode automatique pour l'analyse des fragments de poterie. Mesure 128, 138–148. https://doi.org/10.1016/j.measurement.2018.06.008 (2018).

Annonces d'article Google Scholar

Rasheed, NA & Nordin, MJ Une fonction polynomiale dans la reconstruction automatique d'objets fragmentés. J. Comput. Sci. 10, 2339-2348 (2014).

Article Google Scholar

Fragkos, S., Tzimtzimis, E., Tzetzis, D., Dodun, O. & Kyratsis, P. Numérisation laser 3D et restauration numérique d'une découverte archéologique. Conférence Web MATEC 178, 03013. https://doi.org/10.1051/matecconf/201817803013 (2018).

Article Google Scholar

Kalasarinis, I. & Koutsoudis, A. Aider les procédures de restauration de poterie avec les technologies numériques. Int. J. Comput. Méthodes Herit. Sci. IJCMHS 3, 20–32 (2019).

Article Google Scholar

Chateau-Smith, C. Un outil informatique pour identifier les meilleures correspondances pour les fragments de poterie. J. Archéol. Sci. Rep. 37, 102891. https://doi.org/10.1016/j.jasrep.2021.102891 (2021).

Article Google Scholar

Emami, H., Dong, M., Nejad-Davarani, SP & Glide-Hurst, CK Génération de CTS synthétiques à partir d'images par résonance magnétique à l'aide de réseaux antagonistes génératifs. Méd. Phys. 45, 3627–3636 (2018).

Article Google Scholar

Han, C. et al. Génération d'images IRM cérébrales synthétiques à base de Gan. En 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), 734–738 (2018).

Zhu, J.-Y. et coll. Vers une traduction multimodale d'image à image. Dans Advances in Neural Information Processing Systems, 465–476 (2017).

Armanious, K. et al. Medgan : traduction d'images médicales à l'aide de gans. Calcul. Méd. Graphique d'imagerie. 79, 101684 (2020).

Article Google Scholar

Karras, T., Aila, T., Laine, S. & Lehtinen, J. Croissance progressive des gans pour une qualité, une stabilité et une variation améliorées. prétirage arXiv arXiv:1710.10196 (2017).

Ye, L., Zhang, B., Yang, M. & Lian, W. Gan à triple traduction avec représentation clairsemée multicouche pour la synthèse d'images de visage. Neuroinformatique 358, 294–308 (2019).

Article Google Scholar

Zhang, H. et al. Stackgan++ : synthèse d'images réalistes avec des réseaux antagonistes génératifs empilés. IEEE Trans. Modèle Anal. Mach. Renseignement. 41, 1947-1962 (2018).

Article Google Scholar

Chen, L. et al. Génération de texte contradictoire via la distance du feature-mover. Dans NIPS, 4666–4677 (2018).

Xu, J., Ren, X., Lin, J. & Sun, X. Organisme favorisant la diversité : un réseau contradictoire génératif basé sur l'entropie croisée pour la génération de textes diversifiés. Dans Actes de la conférence 2018 sur les méthodes empiriques dans le traitement du langage naturel, 3940–3949 (2018).

Lorenzo-Trueba, J. et al. Pouvons-nous voler votre identité vocale sur Internet ? : Enquête initiale sur le clonage de la voix d'Obama à l'aide de Gan, Wavenet et de données trouvées de mauvaise qualité. prétirage arXiv arXiv:1803.00860 (2018).

Goodfellow, I. et al. Réseaux antagonistes génératifs. Adv. Information neuronale. Processus. Syst. 27, 2516 (2014).

Google Scholar

Radford, A., Metz, L. & Chintala, S. Apprentissage de représentation non supervisé avec des réseaux antagonistes génératifs à convolution profonde. prétirage arXiv arXiv:1511.06434 (2015).

Lazarou, C. Réseaux antagonistes génératifs à encodage automatique. prétirage arXiv arXiv:2004.05472 (2020).

Heusel, M. et al. Les Gans entraînés par une règle de mise à jour à deux échelles de temps convergent vers un équilibre de Nash. CoRR abs/1706.08500 (2017).

Khrulkov, V. & Oseledets, I. Score de géométrie : Une méthode pour comparer les réseaux antagonistes génératifs. prétirage arXiv arXiv:1802.02664 (2018).

Sorensen, TA Une méthode d'établissement de groupes d'amplitude égale en sociologie végétale basée sur la similarité du contenu des espèces et son application aux analyses de la végétation sur les biens communs danois. Biol. Skar. 5, 1–34 (1948).

Google Scholar

de Azevedo, S., Charlin, J. & González-José, R. Identification des effets de conception et de réduction sur les formes ponctuelles de projectiles lithiques. J. Archéol. Sci. 41, 297-307 (2014).

Article Google Scholar

He, K., Zhang, X., Ren, S. et Sun, J. Apprentissage résiduel profond pour la reconnaissance d'images. Dans la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR) (2016).

Mirza, M. & Osindero, S. Réseaux contradictoires génératifs conditionnels. CoRR abs/1411.1784 (2014).

Chen, X. et al. Infogan : Apprentissage de la représentation interprétable par l'information maximisant les réseaux antagonistes génératifs. Adv. Information neuronale. Processus. Syst. 29, 1247 (2016).

Google Scholar

Mariani , G. , Scheidegger , F. , Istrate , R. , Bekas , C. & Malossi , C. Animaux : Augmentation des données avec gan d'équilibrage . https://doi.org/10.48550/FILE.1803.09655 (2018).

Azadi, S. et al. Gan multi-contenu pour le transfert de style de police en quelques prises de vue. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR) (2018).

Wang, L., Sindagi, VA et Patel, VM Synthèse de photo-croquis du visage de haute qualité à l'aide de réseaux multi-adversaires. 2018 13ème IEEE Int. Conf. sur Autom. Reconnaissance du visage et des gestes. (FG 2018) 83–90 (2018).

Tzeng, E., Hoffman, J., Saenko, K. & Darrell, T. Adversarial discriminative domain adaptation. https://doi.org/10.48550/ARXIV.1702.05464 (2017).

Zhu, J.-Y., Park, T., Isola, P. & Efros, AA Traduction d'image à image non appariée à l'aide de réseaux contradictoires à cycle cohérent. En 2017, Conférence internationale IEEE sur la vision par ordinateur (ICCV), 2242–2251. https://doi.org/10.1109/ICCV.2017.244 (2017).

Shamsolmoali, P. et al. Synthèse d'images avec des réseaux antagonistes : une enquête complète et des études de cas. Inf. Fusion 72, 126–146. https://doi.org/10.1016/j.inffus.2021.02.014 (2021).

Article Google Scholar

Creswell, A. et al. Réseaux antagonistes génératifs : un aperçu. Processus de signal IEEE. Mag. 35, 53–65. https://doi.org/10.1109/MSP.2017.2765202 (2018).

Annonces d'article Google Scholar

Wang, Z., She, Q. & Ward, TE Réseaux antagonistes génératifs en vision par ordinateur : enquête et taxonomie. Calcul ACM. Surv. 54, 2514. DOI : https://doi.org/10.1145/3439723 (2021).

Chen, S. et al. Génération d'images en porcelaine cantonaise à l'aide de réseaux antagonistes génératifs guidés par l'utilisateur. Calcul IEEE. Graphique. Appl. 40, 100–107. https://doi.org/10.1109/MCG.2020.3012079 (2020).

Article PubMed Google Scholar

Papadopoulos, S., Dimitriou, N., Drosou, A. & Tzovaras, D. Modélisation des phénomènes de vieillissement spatio-temporel avec des réseaux antagonistes génératifs profonds. Processus de signalisation. Image Commun. 94, 156 (2021).

Article Google Scholar

Liu, M.-Y., Breuel, T. & Kautz, J. Réseaux de traduction image-image non supervisés, 700–708 (CVPR, 2017).

Isola, P., Zhu, J.-Y., Zhou, T. & Efros, AA Traduction d'image à image avec des réseaux contradictoires conditionnels. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 1125–1134 (2017).

Wang, H., He, Z., Huang, Y., Chen, D. & Zhou, Z. Images de tête de bodhisattva modélisant la reconnaissance du style des sculptures rupestres de Dazu basées sur un réseau convolutif profond. J. Cult. Héritage. 27, 60–71. https://doi.org/10.1016/j.culher.2017.03.006 (2017).

Article Google Scholar

Zachariou, M., Dimitriou, N. & Arandjelovic, O. Reconstruction visuelle de pièces de monnaie anciennes à l'aide de réseaux antagonistes génératifs cohérents avec le cycle. Sciences 2, 124. https://doi.org/10.3390/sci2030052 (2020).

Article Google Scholar

Hermoza, R. & Sipiran, I. Reconstruction 3D d'objets archéologiques incomplets à l'aide d'un réseau contradictoire génératif. Dans Actes de Computer Graphics International 2018, 5–11 (ACM, 2018).

Kniaz, VV, Remondino, F. & Knyaz, VA Réseaux antagonistes génératifs pour la reconstruction 3D d'une seule photo. Dans ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. 42, 403–408 (2019).

Jboor , N. , Belhi , A. , Al-Ali , A. , Bouras , A. & Jaoua , A. Vers un cadre d'inpainting pour le patrimoine culturel visuel . Dans IEEE Jordan International Joint Conference on Electrical Engineering and Information Technology (JEEIT), 602–607. https://doi.org/10.1109/JEEIT.2019.8717470 (Amman, Jordanie, 2019).

Yeh, R. et al. Inpainting d'images sémantiques avec des modèles génératifs profonds. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 5485–5493 (2017).

Kingma, DP & Ba, JL Adam : une méthode d'optimisation stochastique. Int. Conf. sur Apprendre. Représenter. 2015 1–15 (2015). 1412.6980.

Salimans, T. et al. Amélioration des techniques d'entraînement des gans. Adv. Information neuronale. Processus. Syst. 29 (2016).

Nunn, EJ, Khadivi, P. & Samavi, S. Distance de début de frechet composée pour l'évaluation de la qualité des images créées par gan. prétirage arXiv arXiv:2106.08575 (2021).

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. & Wojna, Z. Repenser l'architecture initiale de la vision par ordinateur. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes, 2818–2826 (2016).

Karras, T. et al. Analyse et amélioration de la qualité d'image de stylegan. Dans Actes de la conférence IEEE/CVF sur la vision par ordinateur et la reconnaissance de formes, 8110–8119 (2020).

Feng, Y. et al. Une étude comparative des algorithmes de segmentation automatique d'images pour le suivi de cible dans MR-IGRT. J. Appl. Clin. Méd. Phys. 17, 441–460 (2016).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par l'Union européenne à travers le programme opérationnel FEDER Andalucía 2014-2020 Projet de recherche sous Grant UJA-1381115 et UJA-1265116, le Centre d'études avancées en technologies de l'information et de la communication (CEATIC) et l'Institut universitaire de recherche pour l'archéologie ibérique de l'Université de Jaén.

Institut Patagonien des Sciences Sociales et Humaines, Centre National Patagonien, CONICET, Bv. Almirante Brown 2915, 9120, Puerto Madryn, PC, Argentine

Pablo Navarro et Rolando González-José

Département d'informatique (DIT), Faculté d'ingénierie, Université nationale de Patagonie San Juan Bosco, Mitre 665, 9100, Trelew Chubut, PC, Argentine

Pablo Navarre

IBM Research Africa, Campus de l'Université catholique d'Afrique de l'Est, Bogani E Rd, Nairobi, 00200, PC, Kenya

Célia Cintas

Département d'informatique, Université de Jaén, Campus Las Lagunillas s/n, 23071, Jaén, PC, Espagne

Manuel Lucena, José Manuel Fuertes et Rafael Segura

Institut universitaire de recherche d'archéologie ibérique, Université de Jaén, Campus Las Lagunillas s/n, 23071, Jaén, PC, Espagne

Manuel Lucena, José Manuel Fuertes et Rafael Segura

Département de génie électrique et informatique, Universidad Nacional del Sur et CONICET, San Andre's 800, Campus Palihue, 8000, Bahía Blanca, PC, Argentine

Claudio Delrieux

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

PN, CC, ML, JMF, RS, CD et RG-J. recherche conçue; PN, CC, ML et JMF ont effectué des recherches ; PN, CC, ML, JMF, CD et RG-J. données analysées ; et PN, CC, ML, JMF, CD et RG-J. a écrit le papier.

Correspondance à Rolando González-José.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Navarro, P., Cintas, C., Lucena, M. et al. Reconstruction de poteries céramiques ibériques à l'aide de réseaux génératifs antagonistes. Sci Rep 12, 10644 (2022). https://doi.org/10.1038/s41598-022-14910-7

Télécharger la citation

Reçu : 09 février 2022

Accepté : 14 juin 2022

Publié: 23 juin 2022

DOI : https://doi.org/10.1038/s41598-022-14910-7

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.