論文の概要: TEXMET: A Deep Learning Benchmark for Archaeological Textile Reconstruction

• arxiv url: http://arxiv.org/abs/2611.04734v1
• Date: Tue, 03 Nov 2026 11:53:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:58:58.62953
• Title: TEXMET: A Deep Learning Benchmark for Archaeological Textile Reconstruction
• Title（参考訳）: TEXMET: 考古学的繊維復元のための深層学習ベンチマーク
• Abstract要約: 我々は,メトロポリタン美術館のオープンアクセスコレクションから18,644枚の歴史的織物画像の収集データセットであるTEXMETを提示する。 我々は, TEXMETを用いて, JPDVT, FCViT, DiffAssembleの3つの最先端パズル解モデルの体系的評価を行う。 実験により, 標準データセット上で事前学習したトランスフォーマーモデルでは, 織物への一般化に失敗するが, ドメイン固有の微調整は極めて有効であることが判明した。
• 参考スコア（独自算出の注目度）: 2.5962414512281997
• License:
• Abstract: The reconstruction of fragmented historical textiles presents a significant challenge in computational archaeology. The Oseberg ship burial, dating to 834 CE, yielded hundreds of degraded textile fragments that have resisted systematic computational analysis. While deep learning has revolutionized image-based puzzle solving, progress on archaeological textiles has been limited by the lack of domain-specific datasets and systematic evaluation of modern architectures. To address this gap, we present TEXMET, a curated dataset of 18,644 historical textile images from the Metropolitan Museum of Art's Open Access collection, representing the first textile-specific benchmark for puzzle-solving research. Using TEXMET, we conduct a systematic evaluation of three state-of-the-art puzzle-solving models: JPDVT, FCViT, and DiffAssemble. Our experiments reveal that the transformer-based models pre-trained on standard datasets fail to generalize to textiles, but domain-specific fine-tuning proves highly effective. The graph-based DiffAssemble model, when fine-tuned on TEXMET, achieves 85.89% puzzle accuracy on textile data. Most significantly, applying this fine-tuned model to 45 highly degraded Oseberg fragments yields a performance increase from 26.67% to 64.44% puzzle accuracy. These results establish TEXMET as a new benchmark for textile reconstruction and demonstrate that domain adaptation is essential for applying puzzle-solving methods to imagery of real archaeological materials.
• Abstract（参考訳）: 断片化された歴史織物の復元は、計算考古学において重要な課題となっている。 834年にさかのぼるオセベルクの船葬は、系統的な計算分析に抵抗する何百もの劣化した織物の破片を生み出した。 ディープラーニングは画像に基づくパズル解決に革命をもたらしたが、ドメイン固有のデータセットの欠如と近代建築の体系的評価により、考古学的な織物の進歩は制限されてきた。 このギャップに対処するため,メトロポリタン美術館のオープンアクセスコレクションから18,644点の歴史的織物画像が収集されたデータセットであるTEXMETを紹介した。 我々は, TEXMETを用いて, JPDVT, FCViT, DiffAssembleの3つの最先端パズル解モデルの体系的評価を行う。 実験により, 標準データセット上で事前学習したトランスフォーマーモデルでは, 織物への一般化に失敗するが, ドメイン固有の微調整は極めて有効であることが判明した。 TEXMETで微調整されたグラフベースのDiffAssembleモデルは、繊維データに対して85.89%のパズル精度を実現する。 この微調整されたモデルを45個の高度に劣化したOsebergフラグメントに適用すると、性能は26.67%から64.44%に向上する。 これらの結果は, TEXMET を繊維再構築のための新しいベンチマークとして確立し, 実際の考古学資料の画像にパズル解法を適用する上で, ドメイン適応が不可欠であることを実証した。

関連論文リスト

• ArtiFact: A Large-Scale Multi-Modal Cultural Heritage Dataset [7.868559688632956]
  651045の博物館記録のマルチモーダル文化遺産データセットであるArtiFactを提示する。 クロスモーダルなエラー検出には,130209レコードに挿入された7つのエラーカテゴリの分類法を導入する。 セマンティッククエリ処理では、現在のシステムは、文化的近接性、あいまいなオブジェクトタイプ、歴史的に断続的な用語を含むクエリに苦慮していることを示す。
  論文  参考訳（メタデータ） (2026-06-08T15:40:57Z)
• Re-assembling the past: The RePAIR dataset and benchmark for real world 2D and 3D puzzle solving [46.073519734119266]
  我々のデータセットには、現在の2Dおよび3Dパズル解決のベンチマークに共通するユニークな特性がある。 破片と骨折は、第二次世界大戦中にポンペイ考古学公園で爆破されたフレスコの崩壊によって引き起こされた現実的なものである。 データセットは、特徴的な画像要素を持つ高解像度画像を提供するマルチモーダルである。
  論文  参考訳（メタデータ） (2024-10-31T15:10:38Z)
• Image Segmentation using U-Net Architecture for Powder X-ray Diffraction Images [35.158892656603214]
  実験X線回折(XRD)画像中のアーティファクトを同定する手法を提案する。 提案手法は、可変U-Netなどのディープラーニング畳み込みニューラルネットワークアーキテクチャを用いて、人工物を特定する。
  論文  参考訳（メタデータ） (2023-10-24T21:11:09Z)
• Batch-based Model Registration for Fast 3D Sherd Reconstruction [74.55975819488404]
  3次元復元技術は、考古学的断片のデジタル文書化に広く用いられている。 考古学遺跡から出土した断片の効率的なデジタル化のための携帯型,高スループット,高精度な復元システムを開発することを目的としている。 フラグメントの前後をペアリングするバッチベースの新しいマッチングアルゴリズムと,非常に狭い重複領域を共有する部分スキャンを登録できるバイラテラル境界ICPアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-11-13T13:08:59Z)
• Search to Pass Messages for Temporal Knowledge Graph Completion [97.40256786473516]
  我々は、時間知識グラフ(TKG)の補完のために、NAS(Neural Architecture Search)を用いて、データ固有のメッセージパッシングアーキテクチャを設計することを提案する。 特に,TKGにおけるトポロジカルおよび時間的情報を探るための一般化されたフレームワークを開発する。 より低コストで効率的な探索のために単一経路をサンプリングし,スーパーネット構造を訓練する探索アルゴリズムを採用する。
  論文  参考訳（メタデータ） (2022-10-30T04:05:06Z)
• Deconstructing Self-Supervised Monocular Reconstruction: The Design Decisions that Matter [63.5550818034739]
  本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。 事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。 我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
  論文  参考訳（メタデータ） (2022-08-02T14:38:53Z)
• Structural Textile Pattern Recognition and Processing Based on Hypergraphs [2.4963790083110426]
  織物アーカイブの構造に基づく類似の織物パターンを認識するアプローチを紹介します。 まず,ハイパーグラフを用いて織物構造を表現し,これらのグラフから織物パターンを記述するk-neighbourhoodの多重集合を抽出する。 結果の多重集合は、様々な距離測度と様々なクラスタリングアルゴリズムを用いてクラスタ化される。
  論文  参考訳（メタデータ） (2021-03-21T00:44:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。