Reconstrucción de cerámicas ibéricas mediante redes adversariales generativas

Jan 30, 2024

Scientific Reports volumen 12, Número de artículo: 10644 (2022) Citar este artículo

1612 Accesos

20 Altmetric

Detalles de métricas

Varios aspectos de la cultura pasada, incluidas las tendencias históricas, se infieren a partir de patrones temporales observados en artefactos arqueológicos pertenecientes a diferentes períodos. La presencia y variación de estos objetos proporciona pistas importantes sobre la revolución neolítica y dada su relativa abundancia en la mayoría de los sitios arqueológicos, las cerámicas son de gran ayuda en este propósito. No obstante, la mayor parte de la cerámica disponible está fragmentada, lo que lleva a que falte información morfológica. En la actualidad, volver a ensamblar objetos fragmentados de una colección de miles de fragmentos mixtos es una tarea abrumadora y que requiere mucho tiempo y que se realiza casi exclusivamente a mano, lo que requiere la manipulación física de los fragmentos. Para superar los desafíos de la reconstrucción manual y mejorar la calidad de las muestras reconstruidas, presentamos IberianGAN, una Red Adversaria Generativa (GAN) personalizada probada en una extensa base de datos con referencias completas y fragmentadas. Entrenamos el modelo con 1072 muestras correspondientes a perfiles de cerámica ibérica a torno pertenecientes a yacimientos arqueológicos situados en el valle alto del río Guadalquivir (España). Además, proporcionamos evaluaciones cuantitativas y cualitativas para medir la calidad de las muestras reconstruidas, junto con la evaluación de expertos de dominio con arqueólogos. El marco resultante es una forma posible de facilitar la reconstrucción de la cerámica a partir de fragmentos parciales de una pieza original.

La evidencia material de poblaciones de forraje pasadas es un campo de investigación prolífico en arqueología. Entre los muchos factores que informan la transición del Neolítico, las cerámicas son muy informativas en términos de procesos de selección cultural. También son uno de los artefactos arqueológicos que se encuentran con más frecuencia. Dado que suelen ser de corta duración, los investigadores encuentran útiles estos artefactos para explorar cronológica y geográficamente, dado que la forma y la decoración están sujetas a importantes cambios de moda a lo largo del tiempo y el espacio1. Esto brinda una base para fechar los estratos arqueológicos y proporciona evidencia de un gran conjunto de datos valiosos, como la producción local, las relaciones comerciales y el comportamiento de consumo de la población local2,3,4. Varios estudios previos analizan varios aspectos de la cerámica utilizando perfiles de cerámica completos. La clasificación automática de perfiles5,6,7,8,9 y la extracción de características10,11,12,13,14,15,16,17 han sido ampliamente estudiadas, desde técnicas tradicionales de procesamiento de imágenes hasta enfoques de aprendizaje profundo. Desafortunadamente, las cerámicas son frágiles y, por lo tanto, la mayoría de las cerámicas recuperadas de los sitios arqueológicos están rotas, por lo que la gran mayoría del material disponible aparece en fragmentos. El reensamblaje de los fragmentos es una tarea desalentadora y que requiere mucho tiempo y que se realiza casi exclusivamente a mano, lo que requiere la manipulación física de los fragmentos. Una forma intuitiva de entender el proceso de fragmentación, así como de mejorar la tarea de reconstrucción, es producir grandes cantidades de cerámicas imitando los procedimientos seguidos por los artesanos ibéricos, rompiéndolas y luego analizando los conjuntos de fragmentos resultantes. Desafortunadamente, estos y otros métodos de procesamiento manual similares para este tipo de material incompleto requieren mucho tiempo y mano de obra, incluso para arqueólogos experimentados18. Debido a estos factores, existe un interés creciente en el reensamblaje y reconstrucción automáticos de cerámica19,20,21 y el análisis de fragmentos22. No obstante, el trabajo existente resuelve el problema de los fragmentos mediante comparaciones entre piezas conocidas. La mejor coincidencia dentro del conjunto de datos es el mejor fragmento para esa cerámica. Aquí proponemos un enfoque de aprendizaje profundo en el que el "mejor fragmento" se genera artificialmente a partir de un conjunto de fragmentos conocidos en el modelo, creando así una nueva cerámica virtual con las mismas características que las reales. Las principales contribuciones de este trabajo son:

Presentamos IberianGAN, un marco basado en modelos generativos que reconstruyen perfiles de cerámica a partir de fragmentos de borde o base (ver Fig. 1A,B).

Generamos muestras de fragmentos artificiales utilizando un método para dividir los perfiles de cerámica completos en dos partes (resp. base y borde, ver Fig. 1C).

Evaluamos cuatro enfoques más para compararlos con nuestra arquitectura. Además, validamos los cinco métodos utilizando un estudio basado en morfometría geométrica (ver Fig. 1D y Fig. 2), una validación de expertos de dominio y clasificador de forma abierta/cerrada (Fig. S1).

Visión general del enfoque propuesto. (A) Arquitectura GAN ibérica. El generador G(x) se basa en una arquitectura de codificador-decodificador. Al recibir un fragmento de cerámica, el codificador lo transforma en un vector y luego el decodificador genera el fragmento faltante o desconocido. El discriminador D(x) recibe el perfil completo para determinar si es verdadero o falso. (B) Criterios para la partición de perfiles en el borde y la base de los perfiles. (C) Ejemplos de muestras generadas por IberianGAN a partir de fragmentos para formas abiertas y cerradas (mostradas en color más claro). (D) Análisis semi-punto de referencia y valores RMSE como comparación de muestras reales y generadas artificialmente.

Validación de forma. En naranja, perfil generado con un borde real. En azul, perfil ibérico real completo. En rosa, los k-vecinos más cercanos del fragmento real (excluyendo el borde de entrada). dr es la distancia entre el borde real y el generado. dg es la distancia mínima (en el espacio morfométrico base) entre el fragmento generado y sus vecinos K en el espacio morfométrico del borde.

Los datos en bruto pertenecen a imágenes binarias de perfil, correspondientes a cerámicas ibéricas a torno de varios yacimientos arqueológicos del valle alto del río Guadalquivir (España). Las imágenes disponibles consisten en una vista de perfil de la cerámica, donde las resoluciones de imagen (en píxeles), correspondientes a la escala de tamaño, pueden variar según la configuración de adquisición (Fig. S2). Dividimos estas imágenes en la parte del borde y la base para simular las fracturas en los perfiles. El criterio de partición y orientación depende de la forma inicial (cerrada o abierta, ver Fig. 1B). El conjunto de datos resultante se compone de 1075 imágenes, divididas aleatoriamente en un subconjunto de entrenamiento que contiene 752 imágenes (70 %), un conjunto de validación de 108 (10 %) y un conjunto de prueba de 215 imágenes (20 % del conjunto de datos total).

Las GAN han mostrado resultados notables en diversas tareas de visión artificial, como la generación de imágenes23,24, la traducción de imágenes25,26, la síntesis de imágenes faciales27,28,29 y, recientemente, la generación de texto30,31 y audio32. Un marco GAN33 típico contiene una red neuronal generativa (G) y discriminativa (D) de modo que G tiene como objetivo generar muestras realistas, mientras que D aprende a discriminar si una muestra proviene de la distribución de datos reales (H0) o no. D(x) debe ser alto cuando x proviene de datos de entrenamiento y bajo cuando x proviene del generador. La variable z es un vector espacial latente muestreado a partir de una distribución normal. G(z) representa la función generadora que asigna el vector latente z al espacio de datos de los perfiles de cerámica ibérica.

Múltiples iteraciones informarán a G sobre cómo ajustar el proceso de generación para engañar a D. En nuestro caso, el elemento de datos x corresponde a una matriz bidimensional binaria que contiene la geometría del perfil de la cerámica. D(G(z)) es la probabilidad de que la salida del generador G sea una muestra real del conjunto de datos de cerámica ibérica. D intenta maximizar (log D(x)), que es la probabilidad de tener una clasificación correcta de las formas reales, mientras que G intenta minimizar (log (1 − D(G(x))), que es la probabilidad de que D reconociendo cualquiera de las salidas falsificadas generadas por G. Deep Convolutional Generative Adversarial Networks (DCGAN)34 se encuentran entre las redes más populares y exitosas diseñadas para GAN. El modelo está compuesto principalmente con capas de convolución sin agrupación máxima o capas totalmente conectadas. Utiliza redes convolucionales Stride y convoluciones transpuestas para down-sampling y up-sampling.En otros trabajos, el vector z se construye a partir de una o más imágenes de entrada, la muestra generada está condicionada por la entrada.A este tipo de autocodificación GAN (AE-GAN) se agregó una red de codificadores que está capacitado para aprender una función \(E:X \to Z\), asignando cada muestra real a un punto (z) en el espacio latente 35. El diseño detallado y la implementación de nuestro enfoque generativo propuesto se describen en Apartado "Materiales y métodos".

Los resultados de IberianGAN se compararon con múltiples enfoques basados ​​en AE-GAN35. Todos los enfoques contienen variaciones en la arquitectura o el proceso de formación (ver la sección "Materiales y métodos"). Evaluamos los métodos a través de varias métricas generativas, un análisis morfométrico geométrico, una validación basada en un clasificador de formas abiertas y cerradas, y una prueba de validación realizada por expertos en el dominio. En particular, para evaluar la calidad de las imágenes producidas por IberianGAN, calculamos las siguientes métricas generativas: Error cuadrático medio (RMSE), Distancia de inicio de Frechet (FID)36, Puntuación de geometría (GS)37 y Coeficiente de dados38. RMSE permite evaluar los resultados generados en comparación con los perfiles reales. RMSE cuantifica cuán diferentes son dos imágenes. Cuanto menor sea el valor de RMSE, más similares serán los perfiles. La métrica FID tiene como objetivo comparar la distribución de imágenes generadas con la distribución de imágenes reales. Un valor FID más bajo indica imágenes de mejor calidad y una puntuación más alta indica una salida de menor calidad. El GS permite comparar la topología de las variedades subyacentes para dos formas (en este caso, la cerámica real y las sintéticas) de manera estocástica37. Los valores bajos de GS indican topologías similares entre dos conjuntos de datos. Finalmente, el coeficiente Dice se usa para comparar dos imágenes binarias (píxeles negros o blancos). La métrica toma un valor normalizado en [0, 1], donde 0 significa que dos imágenes son completamente diferentes y 1 ocurre cuando ambas son la misma imagen. En la Tabla 1 presentamos las métricas de rendimiento para el conjunto de prueba del conjunto de datos ibérico. Para las puntuaciones de RMSE, FID y DC, IberianGAN tiene un rendimiento significativamente mejor en comparación con las arquitecturas presentadas en otros lugares.

Esto significa que los perfiles generados tienen una distribución geométrica similar con respecto a las muestras reales y, por lo tanto, las cerámicas resultantes son comparables a las muestras reales. Una alternativa propuesta con aprendizaje por refuerzo (AE-GAN-LR) mejora la similitud de topología (métrica GS). No obstante, la similitud topológica no es el factor más relevante, y que sí existe una superposición entre las topologías sintéticas generadas por AE-GAN-LR e IberianGAN (ver Fig. 3A) consideramos que las muestras sintéticas generadas por este último pueden considerarse como topológicamente correcto en comparación con las muestras reales. Además, evaluamos cualitativamente la distribución de los datos. Para esto, creamos un espacio de características utilizando el Análisis de Componentes Principales (PCA) con las imágenes de la cerámica real y generada. En la Fig. 3B, observamos que la distribución en este espacio de características de las imágenes reales es similar a la distribución de imágenes generadas con IberianGAN. Comparamos cualitativamente los resultados de todos los enfoques. En la Fig. 4, mostramos algunos resultados utilizando la misma entrada y comparándola con la imagen original del conjunto de datos. Como se observa, IberianGAN mira la imagen de entrada y completa el fragmento con resultados convincentes (ver más resultados en la Fig. S4). Teniendo en cuenta los resultados mencionados anteriormente, IberianGAN se puede utilizar satisfactoriamente para estimar los fragmentos que faltan y proporcionar perfiles de cerámica completos y realistas, manteniendo las propiedades geométricas de las cerámicas originales.

(A) Distribución GS del conjunto de datos real (azul) y generado (naranja). Para más información sobre la métrica GS ver apartado "Materiales y métodos": Métricas de evaluación. (B) Comparación de PCA en el conjunto de datos real completo y 1200 muestras generadas aleatoriamente.

Se tomaron muestras de ejemplos aleatorios para comparar el rendimiento de IberianGAN con los otros enfoques. La cerámica generada es de color naranja. En negro está el fragmento de entrada.

En el conjunto de datos del perfil real, la forma base de un perfil aparece en combinación con solo un subconjunto del conjunto completo de llantas (y viceversa), es decir, no todas las combinaciones base/llanta están presentes en los perfiles reales. Esto se debe a que la estructura completa de la cerámica generalmente está diseñada para cumplir un solo propósito (por ejemplo, almacenamiento de líquidos, cocción, transporte, bebida, ritual, etc.). Algunas combinaciones de base/borde crearían macetas inútiles o poco prácticas (p. ej., con una base muy pequeña y un borde grande). Un efecto similar se observa al analizar el diseño de la punta de proyectil39 donde se estudian de forma modular las variaciones de los diseños del vástago y la hoja (dos partes de una punta de proyectil) de estos artefactos para determinar la relación en los diseños de sus formas Por lo tanto, evaluamos la capacidad de IberianGAN para generar llantas con una forma válida a partir de bases existentes y viceversa. Basándonos en 39, extrajimos semi-puntos de referencia para analizar la forma de los fragmentos generados. Usando el conjunto de datos de perfil de cerámica real, creamos un espacio morfométrico usando los semi-puntos de referencia de los fragmentos como entrada para un PCA. Se trabajó con cuatro espacios morfométricos, dos para cerámicos cerrados y dos abiertos, cada uno con sus correspondientes bordes y bases. Para obtener una métrica que nos permita comparar los perfiles generados, analizamos la distancia euclidiana entre los fragmentos generados y los perfiles cerámicos reales en estos espacios morfométricos (ver una descripción gráfica en la Fig. 2). Dada una maceta generada a partir de un fragmento existente (p. ej., un borde), primero dividimos el perfil generado y ubicamos las dos mitades resultantes en sus espacios correspondientes, y luego analizamos la distancia entre los fragmentos reales y generados (dr en la Fig. 2 ). Para evaluar la otra mitad del perfil generado, usamos los K fragmentos más cercanos (K = 50) al real (el fragmento de entrada) en el primer espacio, y colocamos sus pares en el otro espacio (en nuestro ejemplo, el espacio generado para todas las bases reales). Calculamos la distancia mínima en este espacio entre el fragmento generado y sus vecinos en el primer espacio (dg en la Fig. 2). Este tipo de validación morfométrica establece la capacidad del método para generar un fragmento con una forma real a partir de un fragmento de entrada. En la Tabla 2 mostramos las distancias euclidianas medias en todos los enfoques probados en este trabajo (ver sección "Materiales y métodos"). La mesa presenta dos partes, correspondientes a formas abiertas y cerradas. Consideramos dos escenarios, cuando la entrada es una llanta o es una base. Como IberianGAN solo generó el fragmento desconocido, las distancias entre la entrada y el fragmento conocido son cercanas a cero. En los enfoques donde la red generó la forma de todo el perfil, las distancias entre los fragmentos conocidos y desconocidos son similares.

Independientemente de los modos generativos, entrenamos un clasificador binario. Este modelo es capaz de clasificar perfiles de vasos abiertos y cerrados. Utilizamos pesos preentrenados de ResNet-1840. Esta validación tiene como objetivo verificar que los datos generados por los diferentes modelos puedan imitar las muestras reales y que el clasificador pueda predecir las clases correctas incluso cuando se entrena solo con muestras de datos reales. La Tabla S1 muestra las métricas de clasificación utilizando los diferentes conjuntos de datos. En particular, se puede ver que el clasificador no se ve afectado por los datos generados. En particular, las métricas mejoran en comparación con la porción de datos de prueba real en todos los casos. Además, en la Fig. S1, podemos ver una representación gráfica de la sensibilidad frente a la especificidad del clasificador a medida que se varía el umbral de discriminación. Este tipo de resultado muestra que las nuevas muestras generadas son similares en su distribución y forma a los datos reales. Además, tenga en cuenta que no afectan la precisión del clasificador.

Diseñamos un experimento para expertos en arqueología de dominio para evaluar la capacidad de IberianGAN para crear perfiles de cerámica con un estilo ibérico adecuado. Para ello, presentamos en forma de cuestionario online un conjunto de imágenes (ver Fig. S3) a seis arqueólogos especialistas en cultura ibérica. En la encuesta, mostramos una selección aleatoria de 20 imágenes donde la mitad de ellas corresponden a perfiles reales de cerámica ibérica y la otra mitad generada por IberianGAN. Cada imagen tiene una opción múltiple para calificarla entre 0 y 5 para determinar el nivel de similitud con un estilo ibérico, donde 0 significa que no tiene relación con el estilo ibérico y 5 significa que está completamente dentro del estilo ibérico. En general, las muestras generadas calificaron en promedio 3,88 con una desviación estándar de 1,43 entre todos los arqueólogos y las muestras reales calificaron 3,93 ± 1,45. En conclusión, los arqueólogos consideran que las cerámicas generadas tienen en promedio un estilo ibérico similar al que se encuentra en las cerámicas reales. Esto es importante ya que IberianGAN es capaz de generar una cerámica de estilo ibérico a partir de un fragmento incompleto.

La cerámica es uno de los artefactos arqueológicos encontrados con mayor frecuencia y constituye el vestigio central que suele utilizarse para investigar las variaciones en el estilo, los materiales empleados y las técnicas de fabricación. Explorar la variación diacrónica y geográfica en la cerámica es de vital importancia para reconstruir la dinámica de la transición neolítica en diferentes regiones. Sin embargo, la cerámica es frágil y, por lo tanto, la mayor parte del material recuperado de los sitios arqueológicos está roto. En consecuencia, las muestras disponibles aparecen en fragmentos. El reensamblaje de los fragmentos es una tarea desalentadora y que requiere mucho tiempo y que se realiza casi exclusivamente a mano, lo que requiere la manipulación física de los fragmentos de cerámica. Por lo tanto, un enfoque generativo, como IberianGAN, que procesa fragmentos automáticamente y proporciona un análisis de reconstrucción, puede ayudar a los arqueólogos en el proceso de reensamblaje.

Tal enfoque tiene un impacto más amplio al proporcionar un marco general para el reensamblaje de objetos. Nuestro marco propuesto es flexible para trabajar en diferentes conjuntos de datos cerámicos que presentan una variedad de materiales fracturados (ver resultados de Roman Pottery en la Fig. S6). IberianGAN podría usarse más allá de la cerámica para reconstruir otros restos arqueológicos (por ejemplo, puntas de proyectil, edificios históricos, etc.) y antropológicos (por ejemplo, cráneos, huesos poscraneales, etc.).

Hemos evaluado el rendimiento de IberianGAN sobre la base de tres enfoques diferentes pero complementarios: (a) métricas clásicas para evaluar el proceso generativo de imágenes (ver Tabla 1 y Fig. 2); (b) análisis de forma basado en la estructura de la cerámica (ver sección "Resultados": Validación de forma), y (c) validación mediante examen independiente de arqueólogos especializados en patrimonio ibérico ("Resultados": Validación de expertos de dominio).

Los resultados obtenidos bajo los tres enfoques sugieren que nuestro enfoque es capaz de generar cerámicas que satisfacen la imagen, la estructura morfométrica de la cerámica y los criterios de validación de expertos. Si bien se logra un rendimiento alentador con IberianGAN para la predicción de fragmentos en la base de datos de cerámica ibérica hecha con torno, es necesario abordar algunas limitaciones. Por lo general, los arqueólogos trabajan con fragmentos pertenecientes a la base o parte superior de la cerámica. Por lo tanto, la red se entrenó siempre utilizando un fragmento de base o borde, lo que significa que el modelo siempre colocará un fragmento como base o borde. Además, nuestro enfoque utiliza fragmentos grandes durante el entrenamiento y la evaluación. Se necesitan estudios adicionales para determinar el tamaño mínimo aceptado de un fragmento para que el modelo funcione como se espera. No obstante, creemos que nuestro marco propuesto es el primer paso hacia un uso más amplio de redes generativas para el reconocimiento y ensamblaje de fragmentos, lo que abrirá nuevas vías de investigación relacionadas con aplicaciones en diferentes medidas de fragmentos e incluso en cerámica 3D en particular y objetos en general.

La investigación previa sobre cerámica incluye tanto enfoques clásicos, basados ​​en el análisis comparativo de forma, dimensiones, decoración, elementos tecnológicos, color, características geométricas, eje de simetría, materiales utilizados, etc; y métodos novedosos basados ​​en técnicas de aprendizaje automático en general y aprendizaje profundo en particular aplicados a la caracterización cerámica. En su conjunto, los perfiles cerámicos se utilizaron en el contexto de la clasificación5,6,7,8,9 y para estudiar variaciones en los atributos de forma y/o estilo10,11,12,13,14,15,16,17. Como se dijo anteriormente, no todas las cerámicas encontradas en las excavaciones están completas; por eso es fundamental mejorar los métodos de caracterización destinados a identificar las cerámicas fragmentadas. Rasheed et al19 presentaron un método basado en una función polinomial para reconstruir cerámica a partir de fragmentos arqueológicos. Dada una imagen de un fragmento, la curva del borde se extrae y se aproxima mediante una función polinomial para obtener un vector de coeficientes. La mejor combinación entre fragmentos de cerámica por pares se realiza de acuerdo con la relación de sus coeficientes.

Otros autores propusieron un método para generar piezas faltantes de un hallazgo arqueológico20,21 a partir de un modelo 3D. En el área donde se supone que deben estar los fragmentos que faltan, se crean bocetos a través del modelado inverso y, en consecuencia, se utilizan para diseñar los fragmentos que faltan. Finalmente, se consigue la reproducción digital de la pieza faltante con tecnología de Fabricación Aditiva.

Las GAN han mostrado resultados notables en varios dominios de aplicación. Su capacidad para aprender distribuciones complejas y generar muestras semánticamente significativas ha llevado a múltiples variaciones en el diseño de redes y nuevas técnicas de entrenamiento (GANs33, GANs41 condicionales, InfoGAN42, BAGAN43). Funciones de pérdida personalizadas (pérdida de contenido44, pérdida de consistencia del ciclo45) y enfoques de adaptación del dominio (ADDA46, CycleGAN47), etc. Se puede encontrar una revisión más completa de las diferentes variantes de GAN y técnicas de entrenamiento en48,49,50.

Además, existen múltiples ejemplos de GAN aplicadas a los dominios del patrimonio cultural. Por ejemplo, se utilizaron técnicas como la transferencia automatizada de estilo de imagen51 para desarrollar un modelo destinado a generar imágenes de estilo de porcelana cantonesa a partir de máscaras definidas por el usuario. También se aplicaron técnicas similares a la degradación de materiales47,52,53,54,55,56. Hermoza et al.57, por ejemplo, introdujeron ORGAN, un GAN de reconstrucción 3D para restaurar objetos arqueológicos. Esto se basa en un codificador-decodificador 3D DNN sobre una GAN basada en cGANs41. Esta red puede predecir las partes faltantes de un objeto incompleto. Se sigue un enfoque similar en 58, donde un Z-GAN traduce una sola imagen de un objeto dañado en vóxeles para reconstruir la pieza original. Ambos estudios abordan el problema de la predicción de geometría faltante en objetos dañados que han sido modelados y voxelizados en 3D. Más específicamente, estos estudios parten de la suposición de que los objetos hechos por el hombre exhiben algún tipo de estructura y regularidad. El tipo más común de estructura utilizada es la simetría. A partir de una GAN, aprenden la estructura y la regularidad de una colección de objetos conocidos y la utilizan para completar y reparar objetos dañados incompletos. Otro ejemplo de preservación del patrimonio cultural se puede encontrar en la referencia59, donde se adapta un enfoque de finalización de imagen60 para la conservación y finalización de obras de arte dañadas.

Diseñamos, entrenamos y evaluamos cinco redes generativas diferentes basadas en AE-GAN pero usamos múltiples procedimientos de entrenamiento durante la fase de experimentación. En esta sección, detallamos cada estrategia incremental aplicada en el proceso y sus correspondientes hiperparámetros y técnicas de entrenamiento y configuración. Los datos y el código fuente con la configuración de hiperparámetros y los diferentes enfoques analizados en este estudio están disponibles abiertamente en IberianGAN en https://github.com/celiacintas/vasijas/tree/iberianGAN con fines de extensión y replicación.

Todas las redes resultantes fueron entrenadas para 5000 épocas utilizando Binary Cross Entropy como función de pérdida, a una tasa de aprendizaje de 2 × 10−4 para la red generativa (G) y 2 × 10−5 para el discriminador (D). Para optimizar el proceso de entrenamiento de todos los modelos, escalamos las imágenes a una resolución uniforme de 128 × 128 píxeles e invertimos los colores. Aplicamos aumento de datos, particularmente una rotación aleatoria (entre 0 y 45 grados). Usamos la optimización ADAM61 tanto para G como para D con β1 = 0.5 y β2 = 0.999 y usamos Binary Cross Entropy como la función de pérdida. En particular, para el entrenamiento de D se utilizó Label Smoothing62, el conjunto real se representa con un número aleatorio entre 0.7 y 1.2 y el conjunto generado con 0.0 y 0.33.

Inicialmente, entrenamos un AE-GAN típico para generar un perfil de cerámica completo. Implementamos un generador (G) con una arquitectura que permite dos imágenes como entrada y un discriminador (D) con tres imágenes de entrada (las dos entradas y la imagen generada). Durante el entrenamiento y para acelerar el proceso de convergencia de G, creamos diferentes tipos de entrada con la misma probabilidad y seleccionamos un par de imágenes. Los posibles tipos de entrada eran borde/base (o base/borde), base/imagen negra o borde/imagen negra (ver Fig. S5-A). Posteriormente, con el objetivo de obtener una traducción del fragmento de entrada al perfil completo de la cerámica, modificamos la arquitectura del codificador en la parte AE-GAN del generador, denominada AE-GAN-MP. En este caso, el codificador del generador procesa una imagen de entrada a la vez. Hacemos esto para incrustar las imágenes de entrada por separado y aplicar una capa de agrupación máxima para unir las dos representaciones, vea la Fig. S5-B. Esta modificación permite una mayor variabilidad en la representación para generar el perfil completo.

Adicionalmente, definimos una nueva función de pérdida para entrenar al generador de la arquitectura AE-GAN-MP. Usando la estrategia de múltiples tipos de entrada (borde/base, base/borde, borde/negro y base/negro), calculamos esta nueva función de pérdida solo cuando las entradas están completas (p. ej., borde/base o base/borde) . Para esto, usamos el error cuadrático medio (MSELoss) definido de la siguiente manera:

donde \(\hat{y}\) es la cerámica predicha y \({\text{y}}\) es el ejemplo real. El objetivo es que el generador minimice el error MSE entre el resultado y el objetivo (perfil de cerámica real). Finalmente, para obtener una relación más fuerte entre las entradas y la cerámica generada, diseñamos una estrategia para modificar la cerámica resultante (o iterar para obtener un resultado más preciso). Hacemos esto usando la entrada con el resultado anterior para generar nueva cerámica (el resultado final) con dos iteraciones. El resultado intermedio se suma a la entrada utilizando operaciones de matriz de imagen, consulte la Fig. S5-C. Llamamos a este enfoque AE-GAN con aprendizaje reforzado (AE-GAN-RL).

IberianGAN se basa en AE-GAN, donde el generador es una red de autocodificación \({\text{Encode}}\left( {\text{x}} \right) \to {\text{z }} \in { \text{R}}^{{\text{m}}} ,{\text{ Decodificar}}\left( {\text{Z}} \right) \to {\text{x}}^{{\ primo }}\), donde \({\text{x}} \in \left[ {0,1} \right]^{{{\text{m}} \times {\text{m}}}} \), es el fragmento de entrada, una matriz bidimensional binaria que contiene la información de la forma del fragmento, y x' es una parte generada faltante. Para entrenar la red discriminadora, usamos D(y) donde \({\text{y }} = {\text{ x }} + {\text{ x}}^{{\prime }}\) para los ejemplos generado. En este punto, la red genera solo un fragmento desconocido y el discriminador se entrena con el perfil completo. Como IberianGAN solo genera el fragmento faltante, para su proceso de entrenamiento no es necesario utilizar dos imágenes como entrada (ver Fig. 1A). Para el entrenamiento, solo usamos una imagen que corresponde a la base o al borde del perfil. La definición completa, implementación, formación y evaluación de IberianGAN se puede encontrar aquí: https://github.com/celiacintas/vasijas/tree/iberianGAN.

En esta sección mostramos el proceso de evaluación de la calidad de las muestras generadas. Para comparar los resultados de los diferentes enfoques, utilizamos dos enfoques. Primero, un conjunto de medidas utilizadas para evaluar las GAN, estas métricas se refieren a la distribución general de todas las cerámicas generadas. Además, utilizamos métricas que comparan el resultado obtenido con las cerámicas reales, por ejemplo, para evaluar los fragmentos conocidos en las cerámicas generadas. Para el primer tipo, consideramos evaluar la distribución y forma de los perfiles generados. Primero, usamos Frechet Inception Distance (FID)36, que actualmente es una de las métricas más comunes para evaluar GANs63. FID permite la cuantificación de las diferencias en la densidad de dos distribuciones en el espacio de características de alta dimensión de un clasificador InceptionV364. En detalle, FID incrusta las imágenes en un espacio descriptor (definido por una capa intermedia de Inception-V3) con un alto nivel de abstracción. Este espacio de características se utiliza para calcular la media y la varianza de los datos generados y los datos reales. La distancia de Fletcher se calcula entre estas distribuciones. FID se calcula siguiendo esta ecuación:

donde (µr, Σr) y (µg, Σg) son la media y la covarianza de los datos reales y las distribuciones generadas, respectivamente. Las distancias pequeñas indican que la distribución de los datos es similar, en nuestro caso, que las cerámicas generadas tienen una distribución similar a las reales. FID se basa en una red clasificadora. Se ha demostrado que este tipo de métrica se centra en las texturas en lugar de las formas65, por lo que decidimos evaluar los enfoques con una métrica basada en formas, Geometry Score (GS)37.

GS es una métrica para comparar las propiedades topológicas de dos conjuntos de datos. Formalmente, GS es la distancia l2 entre las medias de los vectores de tiempo de vida relativos (RLT) asociados con los dos grupos de imágenes. El RLT de un grupo de imágenes (codificadas en un espacio de características, por ejemplo) es un vector infinito (v1, v2, ..., vi) donde la i-ésima entrada es una medida de intervalos persistentes que tienen un grupo homólogo persistente rango igual a i. vi se define de la siguiente manera:

donde Ij = 1 es el rango de un grupo homólogo persistente con dimensión 1 en el intervalo [dj, dj + 1] es i e Ij = 0 es el opuesto37. Los valores bajos de GS indican una topología similar entre el conjunto de imágenes. Por otro lado, para el segundo grupo de métricas, evaluamos los resultados contra las cerámicas completas. Es importante aclarar que no pretendemos que los resultados sean iguales a la cerámica real ya que se genera solo con un fragmento, con este objetivo utilizamos dos métricas frecuentes en el procesamiento de imágenes, Root Mean Square Error (RMSE) y Coeficiente DICE38.

RMSE es una métrica que permite comparaciones de similitud entre dos muestras (perfiles de cerámica en este caso). Esto se mide utilizando la raíz cuadrada del promedio de las diferencias al cuadrado entre los píxeles de la imagen generada y la imagen real. El RMSE entre una imagen de perfil real (imagen d) y la imagen generada (imagen f) viene dado por

Esta métrica se calcula píxel a píxel, donde di y fi son los píxeles de la imagen D y F respectivamente. En esta fórmula, los valores bajos de RMSE muestran un error menor. El coeficiente DICE permite evaluar la geometría entre el perfil generado y el real. Esta métrica es comúnmente utilizada para evaluar resultados en redes de segmentación66. Por eso, para calcular el coeficiente DICE, las imágenes deben ser binarias (blanco y negro). Este coeficiente evalúa las imágenes como dos superposiciones de formas. Para ello, se calcula la región de la imagen generada y la región del perfil real. Dado el perfil A generado y el perfil B real, se calcula DICE38:

donde A y B es el tamaño en píxeles del perfil. El valor máximo de la métrica es 1 cuando la forma es idéntica a la real y 0 cuando la forma total no coincide.

Los datos y el código que respaldan los hallazgos de este estudio están disponibles abiertamente en IberianGAN en https://github.com/celiacintas/vasijas/tree/iberianGAN para fines de extensión y replicación.

Eslami, D., Di Angelo, L., Di Stefano, P. & Pane, C. Revisión de métodos computarizados para la reconstrucción de tiestos cerámicos arqueológicos. Arqueolo virtual. Rev. 11, 34–49 (2020).

Artículo Google Académico

Orton, C., Tyers, P. & Vinci, A. Pottery in Archaeology (Cambridge University Press, 1993).

Google Académico

Kampel, M. & Sablatnig, R. Un sistema automatizado de archivo y reconstrucción de cerámica. J. Vis. computar Animado 14, 111–120 (2003).

Artículo Google Académico

Kashihara, K. Un sistema de asistencia informática inteligente para la restauración de artefactos basado en algoritmos genéticos con características de imagen plana. En t. J. Cómputo. Intel. aplicación 16, 1750021 (2017).

Artículo Google Académico

Lucena, M., Fuertes, JM, Martinez-Carrillo, AL, Ruiz, A. & Carrascosa, F. Clasificación eficiente de la cerámica ibérica mediante curvas simplificadas. J. Culto. heredad 19, 538–543. https://doi.org/10.1016/j.culher.2015.10.007 (2016).

Artículo Google Académico

Lucena, M., Fuertes, JM, Martínez-Carrillo, AL, Ruiz, A. & Carrascosa, F. Clasificación de perfiles cerámicos arqueológicos mediante análisis modal. multimed. Aplicación de herramientas 76, 21565–21577. https://doi.org/10.1007/s11042-016-4076-9 (2017).

Artículo Google Académico

Cintas, C. et al. Extracción automática de características y clasificación de cerámica ibérica basada en redes convolucionales profundas. J. Culto. heredad 41, 106–112. https://doi.org/10.1016/j.culher.2019.06.005 (2020).

Artículo Google Académico

Llamas, J., Lerones, PM, Zalama, E. & Gómez-García-Bermejo, J. Aplicación de técnicas de aprendizaje profundo a imágenes del patrimonio cultural dentro del proyecto INCEPTION. En Lecture Notes in Computer Science (incluidas las subseries Lecture Notes in Artificial Intelligence y 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. Caracterización dimensional automática de cerámica. J. Culto. heredad 26, 118–128. https://doi.org/10.1016/j.culher.2017.02.003 (2017).

Artículo Google Académico

Shennan, S. & Wilcock, J. Variación de forma y estilo en los vasos de precipitados de Alemania central. ciencia Arqueol. 15, 17–31 (1975).

Google Académico

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

Google Académico

Nautiyal, V. et al. Modelado geométrico de la cerámica arqueológica india: un estudio preliminar. En Clark, J. & Hagemeister, E. (eds.) Exploring New Frontiers in Human Heritage. CAA2006. Aplicaciones Informáticas y Métodos Cuantitativos en Arqueología (Fargo, Estados Unidos, 2006).

Mamá, V. SECANTO—La HERRAMIENTA de Análisis de SECciones. En Figueiredo, A. & Velho, GL (eds.) El mundo está en tus ojos. CAA2005. Aplicaciones Informáticas y Métodos Cuantitativos en Arqueología, 95–101 (Tomar, Portugal, 2007).

Saragusti, I., Karasik, A., Sharon, I. & Smilansky, U. Análisis cuantitativo de atributos de forma basados ​​en contornos y perfiles de sección en análisis de artefactos. J. Arqueol. ciencia 32, 841–853 (2005).

Artículo Google Académico

Karasik, A. & Smilansky, U. Clasificación morfológica computarizada de cerámica. J. Arqueol. ciencia 38, 2644–2657 (2011).

Artículo Google Académico

Smith, NG et al. La base de datos de consulta de informática de cerámica: un nuevo método para análisis matemáticos y cuantitativos de grandes conjuntos de datos regionales de cerámica. J. Arqueol. Teoría del método 21, 212–250. https://doi.org/10.1007/s10816-012-9148-1 (2014).

Artículo ANUNCIOS Google Académico

Navarro, P. et al. Representación de características de aprendizaje de cerámicas ibéricas con modelos de clasificación automática. J. Culto. heredad 48, 65–73. https://doi.org/10.1016/j.culher.2021.01.003 (2021).

Artículo Google Académico

Di Angelo, L., Di Stefano, P. & Pane, C. Un método automático para el análisis de fragmentos de cerámica. Medida 128, 138–148. https://doi.org/10.1016/j.measurement.2018.06.008 (2018).

Artículo ANUNCIOS Google Académico

Rasheed, NA & Nordin, MJ Una función polinomial en la reconstrucción automática de objetos fragmentados. J. Cómputo. ciencia 10, 2339–2348 (2014).

Artículo Google Académico

Fragkos, S., Tzimtzimis, E., Tzetzis, D., Dodun, O. & Kyratsis, P. Escaneo láser 3D y restauración digital de un hallazgo arqueológico. Conferencia Web MATEC. 178, 03013. https://doi.org/10.1051/matecconf/201817803013 (2018).

Artículo Google Académico

Kalasarinis, I. & Koutsoudis, A. Asistencia en los procedimientos de restauración de cerámica con tecnologías digitales. En t. J. Cómputo. Métodos Herit. ciencia IJCMHS 3, 20–32 (2019).

Artículo Google Académico

Chateau-Smith, C. Una herramienta informática para identificar las mejores coincidencias para fragmentos de cerámica. J. Arqueol. ciencia Rep. 37, 102891. https://doi.org/10.1016/j.jasrep.2021.102891 (2021).

Artículo Google Académico

Emami, H., Dong, M., Nejad-Davarani, SP y Glide-Hurst, CK Generación de CTS sintéticos a partir de imágenes de resonancia magnética utilizando redes antagónicas generativas. Medicina. física 45, 3627–3636 (2018).

Artículo Google Académico

Han, C. et al. Generación de imágenes de RM de cerebro sintético basado en Gan. En 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), 734–738 (2018).

Zhu, J.-Y. et al. Hacia la traducción multimodal de imagen a imagen. En Avances en sistemas de procesamiento de información neuronal, 465–476 (2017).

Armanious, K. et al. Medgan: traducción de imágenes médicas usando gans. computar Medicina. Gráfico de imágenes. 79, 101684 (2020).

Artículo Google Académico

Karras, T., Aila, T., Laine, S. & Lehtinen, J. Crecimiento progresivo de gans para mejorar la calidad, la estabilidad y la variación. preimpresión de arXiv arXiv:1710.10196 (2017).

Ye, L., Zhang, B., Yang, M. y Lian, W. Gan de traducción triple con representación dispersa multicapa para la síntesis de imágenes faciales. Neurocomputación 358, 294–308 (2019).

Artículo Google Académico

Zhang, H. et al. Stackgan++: Síntesis de imágenes realistas con redes antagónicas generativas apiladas. Trans. IEEE. Patrón Anal. Mach. Intel. 41, 1947-1962 (2018).

Artículo Google Académico

Chen, L. et al. Generación de texto contradictorio a través de la distancia del motor de funciones. En NIPS, 4666–4677 (2018).

Xu, J., Ren, X., Lin, J. & Sun, X. Gan que promueve la diversidad: una red antagónica generativa basada en entropía cruzada para la generación de texto diversificado. En Actas de la Conferencia de 2018 sobre métodos empíricos en el procesamiento del lenguaje natural, 3940–3949 (2018).

Lorenzo-Trueba, J. et al. ¿Podemos robar su identidad vocal de Internet?: Investigación inicial de la clonación de la voz de Obama usando Gan, Wavenet y datos encontrados de baja calidad. preimpresión de arXiv arXiv:1803.00860 (2018).

Goodfellow, I. et al. Redes generativas adversarias. Adv. Información neuronal Proceso. sist. 27, 2516 (2014).

Google Académico

Radford, A., Metz, L. & Chintala, S. Aprendizaje de representación no supervisado con redes antagónicas generativas convolucionales profundas. preimpresión de arXiv arXiv:1511.06434 (2015).

Lazarou, C. Autocodificación generativa de redes antagónicas. preimpresión de arXiv arXiv:2004.05472 (2020).

Heusel, M. et al. Gans entrenados por una regla de actualización de dos escalas de tiempo convergen a un equilibrio de Nash. CoRRabs/1706.08500 (2017).

Khrulkov, V. & Oseledets, I. Puntuación de geometría: un método para comparar redes antagónicas generativas. preimpresión de arXiv arXiv:1802.02664 (2018).

Sorensen, TA Un método para establecer grupos de igual amplitud en la sociología vegetal basado en la similitud del contenido de especies y su aplicación al análisis de la vegetación en los bienes comunes daneses. Biol. Skar. 5, 1–34 (1948).

Google Académico

de Azevedo, S., Charlin, J. & González-José, R. Identificación de efectos de diseño y reducción en formas de puntas de proyectiles líticos. J. Arqueol. ciencia 41, 297–307 (2014).

Artículo Google Académico

He, K., Zhang, X., Ren, S. y Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. En The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2016).

Mirza, M. & Osindero, S. Redes adversariales generativas condicionales. CoRRabs/1411.1784 (2014).

Chen, X. et al. Infogan: aprendizaje de representación interpretable por información que maximiza las redes generativas antagónicas. Adv. Información neuronal Proceso. sist. 29, 1247 (2016).

Google Académico

Mariani , G. , Scheidegger , F. , Istrate , R. , Bekas , C. & Malossi , C. Animales: aumento de datos con equilibrio gan . https://doi.org/10.48550/FILE.1803.09655 (2018).

Azadi, S. et al. Ganancia multicontenido para transferencia de estilo de fuente de pocas tomas. En Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones (CVPR) (2018).

Wang, L., Sindagi, VA & Patel, VM Síntesis de bocetos fotográficos faciales de alta calidad utilizando redes de múltiples adversarios. 2018 13º IEEE Internacional. Conf. en autom. Reconocimiento de rostros y gestos. (FG 2018) 83–90 (2018).

Tzeng, E., Hoffman, J., Saenko, K. & Darrell, T. Adaptación de dominio discriminatorio adversario. https://doi.org/10.48550/ARXIV.1702.05464 (2017).

Zhu, J.-Y., Park, T., Isola, P. & Efros, AA Traducción de imagen a imagen no emparejada usando redes antagónicas consistentes con el ciclo. En 2017 Conferencia internacional IEEE sobre visión por computadora (ICCV), 2242–2251. https://doi.org/10.1109/ICCV.2017.244 (2017).

Shamsolmoali, P. et al. Síntesis de imágenes con redes antagónicas: una encuesta exhaustiva y estudios de casos. información Fusión 72, 126–146. https://doi.org/10.1016/j.inffus.2021.02.014 (2021).

Artículo Google Académico

Creswell, A. et al. Redes antagónicas generativas: una descripción general. Proceso de señal IEEE. revista 35, 53–65. https://doi.org/10.1109/MSP.2017.2765202 (2018).

Artículo ANUNCIOS Google Académico

Wang, Z., She, Q. & Ward, TE Redes antagónicas generativas en visión por computadora: una encuesta y taxonomía. Cómputo ACM. sobrev. 54, 2514. DOI: https://doi.org/10.1145/3439723 (2021).

Chen, S. et al. Generación de imágenes de porcelana cantonesa utilizando redes antagónicas generativas guiadas por el usuario. Cómputo IEEE. Grafico. aplicación 40, 100–107. https://doi.org/10.1109/MCG.2020.3012079 (2020).

Artículo PubMed Google Académico

Papadopoulos, S., Dimitriou, N., Drosou, A. & Tzovaras, D. Modelado de fenómenos de envejecimiento espacio-temporal con profundas redes generativas antagónicas. Proceso de señal. Imagen Comun. 94, 156 (2021).

Artículo Google Académico

Liu, M.-Y., Breuel, T. & Kautz, J. Redes de traducción de imagen a imagen no supervisadas, 700–708 (CVPR, 2017).

Isola, P., Zhu, J.-Y., Zhou, T. & Efros, AA Traducción de imagen a imagen con redes antagónicas condicionales. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 1125–1134 (2017).

Wang, H., He, Z., Huang, Y., Chen, D. y Zhou, Z. Imágenes de la cabeza del Bodhisattva que modelan el reconocimiento del estilo de las tallas rupestres de Dazu basadas en una red convolucional profunda. J. Culto. heredad 27, 60–71. https://doi.org/10.1016/j.culher.2017.03.006 (2017).

Artículo Google Académico

Zachariou, M., Dimitriou, N. & Arandjelovic, O. Reconstrucción visual de monedas antiguas usando redes adversarias generativas consistentes con el ciclo. Ciencia 2, 124. https://doi.org/10.3390/sci2030052 (2020).

Artículo Google Académico

Hermoza, R. & Sipiran, I. Reconstrucción 3D de objetos arqueológicos incompletos utilizando una red adversarial generativa. En Actas de Computer Graphics International 2018, 5–11 (ACM, 2018).

Kniaz, VV, Remondino, F. & Knyaz, VA Redes antagónicas generativas para la reconstrucción 3D de una sola foto. En ISPRS Annals of the Photogrametry, Remote Sensing and Spatial Information Sciences, vol. 42, 403–408 (2019).

Jboor, N., Belhi, A., Al-Ali, A., Bouras, A. y Jaoua, A. Hacia un marco de pintura para el patrimonio cultural visual. En IEEE Jordan International Joint Conference sobre ingeniería eléctrica y tecnología de la información (JEEIT), 602–607. https://doi.org/10.1109/JEEIT.2019.8717470 (Ammán, Jordania, 2019).

Sí, R. et al. Imagen semántica en pintura con modelos generativos profundos. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 5485–5493 (2017).

Kingma, DP & Ba, JL Adam: un método para la optimización estocástica. En t. Conf. en Aprender. Representar. 2015 1-15 (2015). 1412.6980.

Salimans, T. et al. Técnicas mejoradas para entrenar gans. Adv. Información neuronal Proceso. sist. 29 (2016).

Nunn, EJ, Khadivi, P. y Samavi, S. Distancia de inicio de frecuencia compuesta para la evaluación de la calidad de las imágenes creadas por gan. preimpresión de arXiv arXiv:2106.08575 (2021).

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. y Wojna, Z. Replanteamiento de la arquitectura inicial para la visión artificial. En Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, 2818–2826 (2016).

Karras, T. et al. Analizando y mejorando la calidad de imagen de stylegan. En Actas de la Conferencia IEEE/CVF sobre visión artificial y reconocimiento de patrones, 8110–8119 (2020).

Feng, Y. et al. Un estudio comparativo de algoritmos de segmentación automática de imágenes para el seguimiento de objetivos en MR-IGRT. Aplicación J. clin. Medicina. física 17, 441–460 (2016).

Artículo Google Académico

Descargar referencias

Este trabajo ha sido apoyado por la Unión Europea a través del Programa Operativo FEDER Andalucía 2014-2020 Proyecto de Investigación de la Ayuda UJA-1381115 y UJA-1265116, el Centro de Estudios Avanzados en Tecnologías de la Información y las Comunicaciones (CEATIC) y el Instituto Universitario de Investigación en Arqueología Ibérica de la Universidad de Jaén.

Instituto Patagónico de Ciencias Sociales y Humanas, Centro Nacional Patagónico, CONICET, Bv. Almirante Brown 2915, 9120, Puerto Madryn, PC, Argentina

Pablo Navarro & Rolando González-José

Departamento de Informática (DIT), Facultad de Ingeniería, Universidad Nacional de La Patagonia San Juan Bosco, Mitre 665, 9100, Trelew Chubut, PC, Argentina

Pablo Navarro

IBM Research Africa, Campus de la Universidad Católica de África Oriental, Bogani E Rd, Nairobi, 00200, PC, Kenia

Celia Cintas

Department of Computer Science, University of Jaén, Campus Las Lagunillas s/n, 23071, Jaén, PC, Spain

Manuel Lucena, José Manuel Fuertes & Rafael Segura

Research University Institute for Iberian Archaeology, University of Jaén, Campus Las Lagunillas s/n, 23071, Jaén, PC, Spain

Manuel Lucena, José Manuel Fuertes & Rafael Segura

Departamento de Ingeniería Eléctricarica y de Computadoras, Universidad Nacional del Sur, and CONICET, San Andre´s 800, Campus Palihue, 8000, Bahía Blanca, PC, Argentina

claudio delrieux

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

PN, CC, ML, JMF, RS, CD y RG-J. investigación diseñada; PN, CC, ML y JMF realizaron investigaciones; PN, CC, ML, JMF, CD y RG-J. datos analizados; y PN, CC, ML, JMF, CD y RG-J. escribió el papel.

Correspondence to Rolando González-José.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Navarro, P., Cintas, C., Lucena, M. et al. Reconstrucción de cerámicas ibéricas mediante redes generativas adversarias. Informe científico 12, 10644 (2022). https://doi.org/10.1038/s41598-022-14910-7

Descargar cita

Recibido: 09 febrero 2022

Aceptado: 14 junio 2022

Publicado: 23 junio 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.