III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

02 66 *E-mail: joaquin.cruz.cancino@ug.uchile.cl ¹ Departamento de Ciencias de la Computación, Universidad de Chile Joaquín Cruz C ¹ Iván Sipirán A. ¹ Reparación digital de objetos arqueológicos utilizando atención cruzada y ruido sobre nubes de puntos Módulo Cs. de la Computación y Cs. de Datos e IA __Referencias [1] P. Jaramilloand I. Sipiran, "Cultural heritage 3Dreconstruction withdiffusion networks", (Oct. 2024). [2] J.Wang, Y. Cui,D.Guo, J. Li,Q. Liu, andC. Shen, "PointAttN: Youonlyneed attention forpoint cloud completion", AAAIConf. Artif. Intell. (2022). [3] S. Peng,M.Niemeyer, L.Mescheder,M. Pollefeys, andA.Geiger, "Convolutional occupancy networks", in*Comput. Vis. –ECCV2020*, editedbyA. Vedaldi,H. Bischof, T. Brox, andJ.-M. Frahm (Springer, Cham, 2020), pp. 523–540. Resumen La digitalización de objetos en 3D permite avances significativos en la preserva- ción del patrimonio cultural y en el estudio arqueológico. Sin embargo, muchas de las digitalizaciones presentan geometrías incompletas debido al deterioro de los objetos originales o limitaciones en los métodos de escaneo. Aunque existen avances computacionales en reparación de objetos incompletos por computa- dor, muchos asumen condiciones poco realistas, como superficies cerradas, o comprometen detalles relevantes del objeto original. Ante este desafío, esta in- vestigación propone trabajar directamente con nubes de puntos para desarro- llar métodos de reparación que respeten la geometría original. Se diseñaron y entrenaron arquitecturas de redes neuronales basadas en mode- los previos como PointAttN [2] y Convolutional Occupancy Networks [3] . Se explora- ron dos enfoques principales: la clasificación de ruido para generar reparaciones (PointAttNB) y la transformación directa de ruido en reparaciones completas (PointAttNA). Además, se propuso una estrategia de parcheo intermedio que, al combinarse con el objeto fracturado, preserva los puntos originales en la reconstrucción. Como baseline de comparación, se utilizó PointAttN [2] , original- mente desarrollado para completar objetos generales incompletos producto de oclusiones, con el fin de evaluar desempeño en la reparación arqueológica y establecer una referencia comparativa. Los modelos propuestos fueron evaluados cuantitativamente y superaron mé- todos del estado del arte como PCDiff [1] y DRDAP en métricas clave. PointAttND fue el modelo más destacado en términos de desempeño global, mientras que PointAttNA y PointAttNB también obtuvieron resultados competitivos, demos- trando la viabilidad de utilizar ruido como base de reparación. Este trabajo mostró que es posible reparar objetos arqueológicos a partir de sus nubes de puntos mediante redes neuronales entrenadas con ruido, sin necesidad de superficies explícitas o mallas, y que preservan la geometría original. Aunque persisten desafíos frente a geometrías complejas, los resultados obtenidos sien- tan una base sólida para futuras investigaciones en reparación digital.