PuzzleSorter：基于确定性感知的多文物碎片可视化复原系统

《IEEE Transactions on Computational Social Systems》：PuzzleSorter: Certainty-aware visual restoration of multiple cultural artifacts

本文推荐研究人员针对文化遗产碎片复原中自动模型因碎片侵蚀导致的分类与重组错误问题，开展了名为PuzzleSorter的确定性感知可视化分析系统研究。该系统通过多标准分析（类型、物体和碎片层面）和关系图可视化，帮助修复者识别当前解决方案的确定性并探索替代方案，有效解决了传统复原过程中错误难以检测和修正策略不明确两大挑战。案例研究和专家访谈表明，该系统能够显著提升多类型文物碎片的复原效率与准确性。

　　

在历史长河中，无数承载文明印记的文物因自然侵蚀或人为破坏而碎裂，如何从堆积如山的碎片中精准复原原始器物，一直是考古学和几何计算领域的重大挑战。传统人工复原依赖修复师经验进行大量试错，效率低下；而现有自动复原模型虽能通过分类（如PointNet）和重组（如RPM-Net）生成初步方案，却常因碎片特征缺失导致类型误判或错误拼合，使修复者面临两大难题：海量碎片关系难以逐一核验，以及复原难度不明确阻碍策略制定。

针对这些问题，浙江大学团队开发了PuzzleSorter系统，创新性地将确定性感知机制融入可视化分析流程。该系统通过质量视图、关系视图和实例视图的协同设计，支持用户从类型、物体到碎片的多层级钻取分析。质量视图采用类LineUp排名界面，直观展示碎片大小、类型确定性概率p(t|f)和匹配分数s(f_i|f_j)等指标，帮助快速定位低确定性异常片段；关系视图则通过力导向布局，将易混淆的物体或类型节点在空间中邻近排布，并利用边连接提示最优替代方案；实例视图则提供碎片对齐细节的交互式查验。这种“检测-修正”双阶段工作流，使修复者能优先处理高确定性匹配的碎片，逐步缩小解空间。

关键技术方法上，研究团队基于BreakingBad和良渚陶片数据集，采用PointNet对3D点云碎片进行类型分类（准确率82%），并通过RPM-Net计算碎片对匹配分数；进而提出碎片级、物体级和类型级的确定性度量框架（如物体匹配确定性s(o_j|o_i)），并利用力导向算法优化节点空间布局以表征替代方案关联性。

研究结果

多层级确定性验证：通过质量视图的指标排序与展开交互，专家可快速识别类型确定性与匹配确定性不一致的异常碎片。例如案例一中，碎片f₁₄虽匹配分数高，但类型概率极低，通过关系视图发现其与异类碎片形状相似，最终确认为类型错误。

关系图引导修正：关系视图通过节点距离、邻居颜色和路径长度揭示修正难度。碎片若与多色节点邻近或需多步组装，则修正复杂度高。案例二中，碎片f₄₀因靠近异色对象节点，经预览对比后被重新归类至正确类型。

实例预览优化决策：专家通过拖拽碎片、预览对齐细节，可直观验证匹配合理性。系统支持的候选方案历史记录功能，进一步降低了试错成本。

研究结论表明，PuzzleSorter通过确定性驱动的可视化分析，有效降低了多物体复原中对自动模型的过度依赖。其核心意义在于将传统“逐步干预”的复原模式转为“整体检验-局部修正”的协同范式，尤其适用于大规模碎片场景。专家反馈指出，系统在定量指标增强判断、关系图揭示修正难度等方面表现突出，但未来需融入语义特征（如残片部位识别）以进一步提升精度。这项发表于《Computational Visual Media》的工作，为数字文化遗产保护提供了兼顾算法效率与人类专家智慧的新范式。