• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2025ULILB055
• Type de thèse : Doctorat
• Date de soutenance : 19/12/2025

Résumé en langue originale

Les reliques vestimentaires constituent des supports essentiels d'informations historiques et culturelles, reflétant la vie matérielle et les traditions esthétiques des civilisations passées. Cependant, une exposition prolongée aux facteurs environnementaux et humains entraîne une dégradation importante, conduisant à la perte de caractéristiques structurelles, chromatiques et stylistiques. La restauration traditionnelle repose fortement sur l'expertise manuelle, ce qui peut engendrer inefficacité, subjectivité et reproductibilité limitée. Les avancées récentes en intelligence artificielle (IA) et en technologies computationnelles offrent de nouvelles perspectives pour une restauration intelligente et basée sur les données.Cette recherche doctorale propose un cadre numérique basé sur l'IA pour la restauration des anciennes reliques vestimentaires. Elle analyse systématiquement les mécanismes de dégradation textile et applique des modèles d'apprentissage profond afin d'obtenir une restauration précise, automatique et reproductible. En intégrant des connaissances en archéologie, sciences textiles, vision par ordinateur et IA, l'étude améliore la précision de la restauration tout en contribuant à la préservation numérique durable du patrimoine culturel.Les objectifs principaux de cette recherche sont : (1) identifier les facteurs environnementaux, matériels et temporels influençant la dégradation ; (2) développer des modèles d'apprentissage profond pour reconstruire les styles, couleurs et structures perdues ; (3) concevoir un système pratique de restauration ; et (4) créer une base de données 3D de reliques vestimentaires chinoises pour soutenir la recherche interdisciplinaire.Les données ont été collectées par revue bibliographique et travaux de terrain, suivis de modélisations quantitatives des variables environnementales, matérielles et temporelles influençant la détérioration. Sur cette base, trois modèles d'IA ont été développés : un réseau antagoniste génératif convolutionnel profond (DCGAN) pour reconstruire les éléments décoratifs ; un réseau à mémoire à long terme convolutionnel profond (DCLSTNet) pour restaurer les couleurs des textiles décolorés ; et une approche d'apprentissage machine intégrant l'imagerie aux rayons X pour la reconstruction structurelle et la modélisation 3D.Les modèles ont été entraînés et optimisés de manière itérative pour garantir leur robustesse. Les résultats montrent que le DCGAN restaure efficacement les motifs complexes, le DCLSTNet reconstitue fidèlement les couleurs, et le modèle structurel permet la reconstruction non destructive des configurations vestimentaires. Un système numérique intégré combinant ces modèles a été développé, offrant une interface modulaire qui facilite l'analyse, la visualisation et la gestion des données. La base 3D résultante constitue une ressource précieuse pour la recherche et l'enseignement.Cette étude apporte des contributions pratiques et théoriques en établissant un cadre de restauration assisté par IA qui améliore l'automatisation, la précision et la reproductibilité tout en approfondissant la compréhension des mécanismes de dégradation. Malgré certaines limites liées à la qualité des données et à la diversité des matériaux, les résultats démontrent la faisabilité et le potentiel des approches basées sur l'IA pour la conservation du patrimoine culturel.Globalement, cette recherche propose un cadre reproductible et basé sur les données pour la restauration intelligente et la préservation numérique des textiles anciens, contribuant à la protection durable et à la diffusion du patrimoine culturel.

Résumé traduit

Clothing cultural relics preserve essential historical and cultural information, reflecting the material life and aesthetics of past civilizations. However, long-term exposure to environmental and human factors causes severe degradation, leading to the loss of structural, chromatic, and stylistic features. Traditional restoration depends heavily on manual expertise, resulting in inefficiency, subjectivity, and limited reproducibility. Recent advances in artificial intelligence (AI) and computational technologies provide new opportunities for intelligent, data-driven restoration.This doctoral research proposes an AI-based digital framework for restoring ancient clothing relics. It systematically analyzes textile degradation mechanisms and applies deep learning to achieve accurate, automatic, and reproducible restoration. Integrating knowledge from archaeology, textile science, computer vision, and AI, the study enhances restoration precision while contributing to sustainable digital heritage preservation.The research focuses on four objectives: (1) identifying environmental, material, and temporal factors in degradation; (2) developing deep learning models to reconstruct lost styles, colors, and structures; (3) designing a practical restoration system; and (4) creating a 3D database of Chinese clothing relics to support interdisciplinary research.Data were collected through literature review and fieldwork, followed by quantitative modeling of environmental, material, and temporal variables influencing deterioration. Based on these findings, three AI models were developed: a Deep Convolutional Generative Adversarial Network (DCGAN) for reconstructing decorative elements; a Deep Convolutional Long Short-Term Memory Network (DCLSTNet) for recoloring faded textiles; and a machine learning approach integrating X-ray imaging for structural reconstruction and 3D modeling.The models were iteratively trained and optimized for robustness. Results show that DCGAN restored complex motifs, DCLSTNet recovered color information, and the structure model enabled non-destructive reconstruction. An integrated digital system combining these models was developed, providing a modular interface that supports analysis, visualization, and data management. The resulting 3D database of Chinese clothing relics serves as a resource for research and education.This study contributes both practical and theoretical insights by establishing an AI-assisted framework that improves automation, precision, and reproducibility in textile restoration while advancing understanding of degradation mechanisms. Despite limitations related to data quality and material diversity, the results demonstrate the feasibility and potential of AI-driven approaches for cultural heritage conservation.Overall, the research offers a replicable, data-driven framework for intelligent restoration and digital preservation of ancient textiles, supporting the sustainable protection and dissemination of cultural heritage.