Integration von terrestrischer Laser-Scanning, generativer KI und Mixed Reality für die Rekonstruktion des digitalen Kulturerbes

Zusammenfassung

Dieses replizierbare Protokoll demonstriert einen Arbeitsablauf für die Rekonstruktion digitaler Kulturerbe. Es integriert terrestrisches Laser-Scannen zur Erfassung der Standortgeometrie, generative KI zur Rekonstruktion verlorener kultureller Elemente aus Archivquellen und Mixed Reality zur Visualisierung dieser synthetischen Elemente vor Ort.

Zusammenfassung

Die rasche Beschleunigung der Urbanisierung in Entwicklungsländern hat eine doppelte Krise für das architektonische Erbe ausgelöst: die physische Verschlechterung von Bauwerken und die immaterielle Verzerrung kulturellen Gedächtnisses. Traditionelle Konservierungsmethoden, die überwiegend auf statische Dokumentation wie Fotografie und manuelle Vermessungen beruhen, reichen zunehmend nicht mehr aus, um die komplexen räumlichen und zeitlichen Dimensionen dieser historischen Stätten zu erfassen. Diese Studie stellt einen neuartigen, kombinatorischen methodischen Rahmen vor, der darauf ausgelegt ist, die Lücke zwischen rigoroser Archivierung und dynamischer öffentlicher Beteiligung zu überbrücken. Wir beschreiben einen Workflow, der drei verschiedene Technologien synergiert: Terrestrial Laser Scanning (TLS), um die greifbaren geometrischen Eigenschaften des Gebäudes mit Millimetergenauigkeit zu erfassen; Conditional Generative Artificial Intelligence (CGAI) zur Erstellung historisch informierter visueller Darstellungen verlorener kultureller Elemente (insbesondere traditioneller Tempeljahrmarktstrukturen) basierend auf Archivreferenzen; und Augmented Reality (AR) über holografische Headsets, um diese Schichten zu einem einheitlichen Mixed Reality (MR)-Erlebnis zu überlagern. Das Protokoll beschreibt die gesamte Pipeline von Datenerfassungsstrategien und Punktwolkenverarbeitung bis hin zur KI-gesteuerten Modellgenerierung und endgültigen Bereitstellung. Dieser Ansatz liefert ein dynamisches digitales Simulakrum, das hochpräzise räumliche Daten erfolgreich mit interpretativen kulturellen Visualisierungen überlagert und einen technisch machbaren und skalierbaren Arbeitsablauf für die digitale Erhaltung und erweiterte Ausstellung urbaner Kulturerbe bietet.

Einleitung

Der Erhalt des architektonischen Erbes stellt eine entscheidende Notwendigkeit im zeitgenössischen Diskurs der Stadtplanung und kulturellen Nachhaltigkeit^{dar 1,2}. Mit der raschen Modernisierung und Digitalisierung der Städte wird die Spannung zwischen Entwicklung und Naturschutz^{immer akuter}. Dieses Phänomen zeigt sich besonders in den Zentralebenen Chinas, einer Region, die als Wiege der Zivilisation dient, aber dem unerbittlichen Druck der städtischen^{Expansion ausgesetzt ist.} Der Schutz des Kulturerbes geht über die bloße Erhaltung physischer Relikte hinaus; Sie umfasst die Bewahrung des historischen Kontexts, die Übertragung kultureller Bedeutung und die Bewahrung der Authentizität der Kulturerbestätte⁶. Die Erhaltung des Kulturerbes ist kein passiver Akt der Archivierung, sondern eine aktive Strategie zur kulturellen Erneuerung, die die Identität von Nationen und Regionen formt und künftigen Generationen ermöglicht, eine kontinuierliche Verbindung zu ihrer angestammten geistigen^Welt aufrechtzuerhalten. Darüber hinaus fördert der effektive Erhalt dieser Stätten eine multidimensionale kulturelle Ökologie, die dynamisch mit der globalen Wirtschaft interagiert und das Ansehen der Region auf internationaler Ebene stärkt⁸.

Trotz der anerkannten Bedeutung des Kulturerbes bevorzugen aktuelle Forschung und Finanzierung oft überproportional bedeutende, monumentale Stätten wie den Shaolin-Tempel oder die historischen Zentren von Luoyang und Kaifeng⁹. Dadurch befinden sich regional bedeutende, aber weniger global sichtbare Wahrzeichen wie der Stadtgotttempel von Zhengzhou in einem Zustand der Marginalisierung¹⁰. Der während der Ming-Dynastie erbaute Stadtgotttempel, wie in Abbildung 1 dargestellt, stellt ein einzigartiges Beispiel für gut erhaltene religiöse Architektur in Zhengzhou dar. Historisch diente es nicht nur als religiöses Heiligtum, sondern als lebendiges Zentrum sozialer, wirtschaftlicher und volkstümlicher Aktivitäten – insbesondere der Temple^{Fair 11}. Diese Messen waren das Lebenselixier des Tempels, indem sie Opfer, Handel und Unterhaltung zu einem zusammenhängenden kulturellen Ausdruck vereinten¹². Allerdings hat das Vordringen modernen Kommerzialismus und die Stadtumwidmung dazu geführt, dass diese traditionellen Messen eingestellt wurden, was zu einem Naturschutzdilemma führt. Während das physische Skelett des Tempels erhalten ist, ist der immaterielle Geist – der Lärm, die visuelle Lebendigkeit und die soziale Interaktion – weitgehend verschwunden. Dieser Verlust des Ortes (Raum plus soziale Funktion) unterstreicht den dringenden Bedarf an Erhaltungsmaßnahmen, die sowohl die greifbare Struktur als auch die immaterielle Atmosphäre wiederherstellen^{können 13,14}. Daher ist das in dieser Studie detaillierte Protokoll explizit für Kulturerbestätten konzipiert, die durch diese spezifische Dichotomie gekennzeichnet sind: Orte, an denen die physischen architektonischen Strukturen strukturell intakt bleiben, der damit verbundene flüchtige kulturelle Kontext und immaterielle Artefakte jedoch verloren gegangen sind.

Abbildung 1. Foto des Stadtgotttempels von Zhengzhou, das den aktuellen Zustand der Eingangsfassade zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Der Einsatz digitaler Technologien bei der Erhaltung des Kulturerbes bietet eine transformative Lösung für dieses Dilemma. Das Erhaltungsprinzip verlangt, den chronologischen Wert der Materialontologie^{beizubehalten 6}. Traditionelle analoge Methoden wie Handmessung und 2D-Fotografie gelingt es oft, die komplexen Geometrien der antiken Architektur nicht umfassend zu dokumentieren und sind machtlos, verlorene vergängliche Szenen wiederherzustellen. Folglich hat sich das Fachgebiet hin zum "Digital Twinning" verlagert, einem ursprünglich aus der Luft- und Raumfahrttechnik abgeleiteten Konzept, bei dem eine virtuelle Nachbildung einer physischen Einheit erstellt wird, die ihren^{Lebenszyklus 15} umfasst. Im Kontext des Kulturerbes dient ein digitaler Zwilling als präzises, unveränderliches Archiv, das Diagnose, Vorhersage und Interaktion unterstützt¹⁶.

Terrestrisches Laserscannen (TLS) hat sich als grundlegende Technologie zur Konstruktion der geometrischen Schicht dieser digitalen Zwillinge etabliert. TLS nutzt LiDAR (Light Detection and Ranging), um Millionen von Datenpunkten pro Sekunde zu erfassen und so eine hochdichte Punktwolke zu schaffen, die jede Spalte, Neigung und Textur eines Gebäudes mit einer Millimetergenauigkeit^{von 17} aufzeichnet. Diese Technologie ist kontaktfrei, was sie ideal für empfindliche Bauwerke macht und im Vergleich zur Totalstationsvermessung äußerst effizient. Jüngste Anwendungen haben die Wirksamkeit von TLS in komplexen Szenarien nachgewiesen: Marsella et ^al.18 nutzten TLS, um die strukturelle Sicherheit des Petersdoms im Vatikan zu bewerten und dabei winzige Deformationen zu identifizieren, die mit bloßem Auge unsichtbar sind. Ähnlich entwickelten Barontini et ^al.19 ein Historic Building Information Modeling (HBIM)-Framework, das TLS-Daten für präventive Konservierung integriert. Die Fähigkeit des TLS, technische Bedingungen wie Wandrisse, Fundamentsetzungen und Bodenverlagerung zu diagnostizieren – bildet eine wissenschaftliche Grundlage für physische Sanierungsmaßnahmen^20,21.

Obwohl TLS darin hervorragend ist, die existierende physikalische Realität zu dokumentieren, kann es die verschwundene historische Realität nicht wiederherstellen. Eine Punktwolke ist korrekt, aber sie ist statisch und ohne historischen Kontext. Um die fehlenden historischen Szenen – wie die geschäftige Atmosphäre der Tempelmesse – zu rekonstruieren, wendet sich diese Studie dem aufkommenden Feld der bedingten generativen Künstlichen Intelligenz (CGAI) zu. Im Gegensatz zur traditionellen manuellen 3D-Modellierung, die arbeitsintensiv ist und stark auf der subjektiven Interpretation des Modellierers beruht, verwendet CGAI (z. B. Stable Diffusion oder Tencent Huiyuan 3D) Deep-Learning-Algorithmen, um visuelle Inhalte basierend auf Textbeschreibungen^zu generieren. Durch die Analyse umfangreicher Datensätze historischer Architekturstile und -texturen kann CGAI plausible historische Elemente – Laternen, Banner, temporäre Kabinen – auf Basis von Archivtext und visuellen Daten synthetisieren oder rekonstruieren. Dies stellt einen Paradigmenwechsel dar, von der reinen Aufzeichnung des Existierenden hin zur Simulation dessen, was historisch existierte, wobei datengetriebene Logik die Lücken im physischen Archiv²³ füllt.

Die letzte Herausforderung liegt in der Verbreitung dieses digitalen Simulakrums. Ein digitaler Zwilling, der auf einem Server gespeichert ist, hat einen begrenzten sozialen Wert, wenn er der Öffentlichkeit nicht zugänglich ist. Augmented Reality (AR) und Mixed Reality (MR) Technologien verbinden die physische und virtuelle Welt, sodass der digitale Zwilling^{rund um} die Uhr auf den physischen Standort überlagert werden kann. Im Gegensatz zur Virtuellen Realität (VR), die den Nutzer in einer vollständig synthetischen Umgebung isoliert, hält AR die Verbindung zum physischen Kulturerbe aufrecht und verbessert diese mit digitalen Informationen. Plattformen wie Fologram und Geräte wie das Microsoft HoloLens 2 ermöglichen die Projektion hochauflösender 3D-Modelle in das reale Koordinatensystem und ermöglichen so einen direkten Dialog zwischen dem Besucher und der rekonstruierten Geschichte²⁵. Dieser immersive Ansatz hat gezeigt, dass er das Besucherengagement und Verständnis erheblich verbessert und passives Beobachten in aktive Erkundung verwandelt^.

Während die aktuelle Literatur digitale Konservierungstechnologien oft isoliert behandelt, bietet das in diesem Artikel vorgeschlagene integrierte Protokoll eine besondere methodische Neuheit. Erstens führt unsere Methode, im Gegensatz zu standardmäßigen TLS-Dokumentationsworkflows, die hoch genaue, aber kulturell sterile geometrische Archive liefern, einen dynamischen semantischen Kontext ein. Zweitens sind photogrammetriebasierte Rekonstruktionen zwar hervorragend darin, erhaltene physikalische Oberflächen zu texturieren, sind aber strukturell nicht in der Lage, vollständig verlorene kulturelle Artefakte ohne physische Überreste zu regenerieren. Schließlich nutzt dieser Workflow im Gegensatz zu bestehenden AR-Heritage-Visualisierungssystemen, die häufig auf manuell erstellte, generische 3D-Assets setzen oder Nutzer in VR isolieren, CGAI, um standortspezifische, historisch informierte Visualisierungen zu erzeugen, die direkt auf millimetergenaue TLS-Daten verankert sind. Dies schließt eine kritische Lücke, indem ein rigoroses, reproduzierbares Protokoll beschrieben wird. Um konzeptionelle Mehrdeutigkeiten zu lösen und eine klare methodische Begründung zu etablieren, definieren wir explizit die Kernkomponenten dieses Workflows. Dokumentierte Geometrie bezieht sich auf die hochpräzise, statische 3D-räumliche Nachbildung der bestehenden physischen Architektur; TLS ist hier erforderlich, um diese unbestreitbare empirische Realität mit kontaktloser Präzision einzufangen. Im Gegensatz dazu bezeichnet KI-generierte interpretative Rekonstruktion die visuellen Darstellungen verlorener kultureller Artefakte (z. B. Festdekorationen), die aus Archivtexten stammen; CGAI ist für diesen Schritt erforderlich, weil es probabilistische, historisch informierte Interpretationen synthetisiert und nicht absolute physikalische Wahrheiten. Schließlich ist MR für die In-situ-Visualisierung erforderlich, da sie als erfahrungsbasiertes Medium dient, das die interpretativen kulturellen Schichten nahtlos auf die dokumentierte physikalische Geometrie in der realen Welt überlagert. Indem wir unseren Ansatz um diese definierten Konzepte herum strukturieren, bietet dieser kombinatorische Arbeitsablauf nicht nur einen technischen Weg zur Digitalisierung des städtischen Kulturerbes in den Central Plains, sondern bietet auch ein neues theoretisches Modell dafür, wie wir "Bewahrung" im digitalen Zeitalter definieren – über die Erhaltung der Materie hinaus zur Wiederbelebung des Gedächtnisses^{27, 28}.

Protokoll

1. Erhebung historischer Daten und Standortanalyse

1. Initiieren Sie das Projekt durch eine umfassende Archivüberprüfung. Beziehen Sie historische Aufzeichnungen, Fotografien, Architekturzeichnungen und Textbeschreibungen zur Zielstätte (in diesem Fall den Stadtgotttempel von Zhengzhou) aus lokalen Archiven, Tempelverwaltungsbüros und relevanten Kulturerbeämtern ab.
2. Analysieren Sie die Textdaten speziell, um Beschreibungen verlorener flüchtiger Elemente zu identifizieren, wie Tempelfestdekorationen, temporäre Kabinen, Banner und bestimmte Lichtarrangements (z. B. "rote Laternen", "Drachentänze").
3. Führen Sie tagsüber eine vorläufige Felduntersuchung durch, um die Topographie des Standorts zu verstehen und den aktuellen Zustand der architektonischen Denkmalpflege zu dokumentieren (Abbildung 2). Dokumentieren Sie den Grundriss des Komplexes, beachten Sie die zentrale Achse, den Standort der Haupthalle, der Glocken- und Trommeltürme sowie mögliche Hindernisse wie uralte Bäume oder enge Korridore, die die Sichtlinien mit Laserscannern behindern könnten.

Abbildung 2. Aktuelle Ansicht des Tempelhofs, aufgenommen während der vorläufigen Standortuntersuchung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

4. Entwickeln Sie eine detaillierte Strategie für die Scan-Station bzw. einen Einsatzplan. Identifizieren Sie spezifische Koordinatenstandorte für den terrestrischen Laserscanner (TLS), um eine 360°-Abdeckung aller Strukturen sicherzustellen. Planen Sie mindestens 12 Stationen, mit der Flexibilität, je nach Standortkomplexität auf 18 Stationen zu erweitern.
5. Erhalte die erforderlichen administrativen Genehmigungen für den Zugang zum Gelände während der nichtöffentlichen Zeiten (typischerweise frühmorgens 07:00–08:30 oder späten Nachmittag 17:00–18:30), um Datenrauschen durch Fußgängerverkehr zu minimieren.

2. Terrestrische Laserscanning-(TLS)-Erfassung

1. Setzen Sie einen hochpräzisen terrestrischen Laserscanner mit Phasenverschiebung ein. Überprüfen Sie, ob die Batterieladung für die Dauer des Scans ausreichend ist und dass die SD-Speicherkarte ausreichend Kapazität hat.
2. Stellen Sie das Scannerstativ am ersten vorgegebenen Stationspunkt auf (beginnen Sie mit der Haupthalle/Zone A). Stellen Sie die Stativbeine ein, um Stabilität auf dem Steinboden zu gewährleisten.
3. Nivellieren Sie den Scanner mit dem eingebauten Blasenlevel oder dem digitalen Drehzahlmesser auf der Geräteschnittstelle. Stellen Sie sicher, dass die Neigung weniger als 0,5° liegt, um die Vertikalität der Punktwolkendaten zu gewährleisten.
4. Konfigurieren Sie die Scan-Parameter über die integrierte Touchscreen-Schnittstelle:
   1. Stellen Sie die Auflösung auf 1/4 oder 1/5 (je nach Zeitvorgab) ein und gewährleisten Sie einen Punktabstand von etwa 6 mm bei 10 m.
   2. Stelle die Qualität auf 3x oder 4x ein, um Rauschen zu reduzieren.
   3. Aktivieren Sie Farbaufnahme (integrierte Kamera), um eine rote, grüne, blaue (RGB) Textur auf die Geometrie zu legen.
   4. Stellen Sie sicher, dass die Scanreichweite 0,6 m bis 120 m mit einer Entfernungsgenauigkeit von ±2 mm umfasst.
5. Führen Sie einen Pilotscan eines kleinen Abschnitts (z. B. des Glockenturms) durch, um die Lichtverhältnisse zu überprüfen. Überprüfen Sie die Vorschau auf Überbelichtung in Außenbereichen oder Unterbelichtung in schattigen Dachvorsprüngen.
6. Fahren Sie mit der vollständigen Scan-Sequenz fort. Für jede Station löst man den Scan aus und zieht sich aus dem Sichtfeld des Scanners zurück, um Schatten zu vermeiden oder in den Daten zu erscheinen (Ghosting).
7. Verschieben Sie den Scanner zur nächsten Station und gewährleisten Sie eine minimale Überschneidung von 30–40 % mit der vorherigen Station. Diese Überschneidung ist für den späteren Cloud-to-Cloud-Registrierungsprozess entscheidend.
8. Nehmen Sie hochauflösende Referenzfotos mit einer externen Digital Single-Lens Reflex (DSLR)-Kamera an jeder Station auf, um die interne Kamera des Scanners zu ergänzen, insbesondere für detaillierte Schnitzereien oder kalligrafische Tafeln.

3. Punktwolken-Datenverarbeitung

1. Übertragen Sie die Rohscandaten (.fls-Format) von der SD-Karte auf eine Hochleistungs-Workstation mit Verarbeitungssoftware.
2. Importiere die rohen Scans in den Arbeitsbereich des Softwareprojekts.
3. Wenden Sie Vorverarbeitungsfilter auf die Rohdaten an: Verwenden Sie den Stray Point Filter, um Staub und fliegende Insekten zu entfernen.
4. Verwenden Sie den Dark Scan Point Filter, um fehlerhafte Daten von stark reflektierenden oder absorbierenden Oberflächen zu entfernen.
5. Automatische Registrierung ausführen. Erlauben Sie der Software, die Scans anhand geometrischer Merkmalserkennung und GPS-Daten auszurichten.
6. Überprüfen Sie den Zulassungsbericht. Überprüfen Sie, dass der mittlere Zugfehler (durchschnittlicher Abstand zwischen den entsprechenden Punkten) unter 4 mm liegt. Wenn der Fehler die Schwelle überschreitet, führen Sie eine manuelle Registrierung durch. Wählen Sie drei unterschiedliche gemeinsame Punkte (z. B. Ecken eines Gebäudes, Säulen) in zwei überlappenden Scans aus, um die Ausrichtung zu erzwingen.
7. Wenden Sie den Moving Object Filter an, um vorübergehende Geräusche wie Fußgänger oder Vögel, die sich während des Scannens durch die Szene bewegen, automatisch zu erkennen und zu entfernen.
8. Führen Sie Farbausgleich (Mehrfachbelichtungsanpassung) durch, um die Helligkeit zwischen dem hellen Himmel und den dunklen Tempelinnenräumen auszugleichen.
9. Erstellen Sie eine Projektpunkt-Cloud und exportieren Sie das endgültige Modell als strukturiertes . E57 oder . OBJ-Akte. Stellen Sie sicher, dass die Dateigröße handhabbar ist (z. B. auf einen Rasterabstand von 5 mm heruntersetzen, wenn die Datei 10 GB überschreitet).

4. Conditional generative AI (CGAI) Modellierung

1. Identifizieren Sie die spezifischen historischen Elemente, die anhand der Analyse in Schritt 1.2 rekonstruiert werden sollen (z. B. traditionelle Tempelfest-Stande, Laternen).
2. Nutze eine ausgewählte CGAI-Plattform.
3. Erstellen Sie präzise Texthinweise, indem Sie semantische Deskriptoren und historische Aufzeichnungen aus Archivquellen (z. B. den Annalen des Kreises Zheng) direkt in visuelle Parameter übersetzen. Zum Beispiel: "Traditionelle rote Laterne aus der chinesischen Ming-Dynastie, leuchtend, hängt an den Dachvorsprüngen, hohe Details" oder "Holzmarktstand, alter Stil, Stoffbanner, 3D-Textur."
4. Führen Sie den Generierungsprozess durch. Typischerweise sollte für jedes historische Element eine Charge von 20–30 Iterationen erstellt werden, um eine ausreichende Stichprobe an stilistischen Variationen und strukturellen Möglichkeiten sicherzustellen.
5. Führen Sie ein formelles Validierungsgremium aus Denkmalshistorikern und Fachexperten ein, bevor alle generierten Ressourcen in die endgültige MR-Visualisierung integriert werden. Wählen Sie historisch plausible Ergebnisse aus, indem Sie die KI-Chargen mit erhaltenen visuellen Archiven und etablierten historischen Konsens abgleichen.
6. Verwerfen Sie alle Ergebnisse, die anachronistische Merkmale oder strukturelle Unmöglichkeiten aufweisen. Iterieren Sie die Texthinweise basierend auf dem expliziten Feedback des Expertengremiums, um die historische Genauigkeit der Modelle zu verfeinern.

5. Integration und Konstruktion digitaler Zwillinge

1. Öffne die 3D-Modellierungsumgebung.
2. Importiere die verarbeitete TLS-Punktwolke (. OBJ) in die 3D-Modellierungssoftware.
3. Importiere die CGAI-generierten Assets.
4. Richten und positionieren Sie die CGAI-Assets manuell innerhalb der Punktcloud-Umgebung. Stellen Sie die Laternen unter den Dachvorvorsprung und positionieren Sie die Kabinen im Innenhof gemäß der Analyse des historischen Grundrisses.
5. Nutzen Sie die Modellierungswerkzeuge der Software, um etwaige Mesh-Schnittpunkte oder skalierte Abweichungen zwischen der Punktwolke und den KI-Modellen zu bereinigen.
6. Texturiere das kombinierte Modell. Wenden Sie die High Dynamic Range (HDR)-Bilder des Scanners auf das Punktwolken-Mesh an und stellen Sie sicher, dass die KI-Assets passende Materialeigenschaften (Rauheit, Metallizität) besitzen.
7. Exportiere das vollständig integrierte Digital Twin-Modell als . GLTF (Graphics Language Transmission Format) Datei. Dieses Format ist für Web- und AR-Anwendungen optimiert.

6. Einsatz von Augmented Reality (AR)

1. Installiere das MR-Deployment-Plugin für die 3D-Modellierungssoftware auf der Arbeitsstation.
2. Installiere die Begleit-App auf dem Mixed-Reality-Headset.
3. Verbinden Sie sowohl die Arbeitsstation als auch das MR-Headset mit demselben lokalen 5GHz-WLAN-Netzwerk, um eine Datenübertragung mit niedriger Latenz zu gewährleisten.
4. Starten Sie das MR-Plugin in der Modellierungssoftware, um einen Session-QR-Code zu generieren.
5. Setz das MR-Headset auf und starte die Begleit-App. Scanne den QR-Code, um die Sitzung zu synchronisieren.
6. Bewerten Sie vor Ort die Umweltbedingungen vor Ort, bevor Sie eingesetzt werden. Planen Sie MR-Visualisierungssitzungen strikt am frühen Morgen oder späten Nachmittag, um starke Infrarotstörungen durch die Mittagssonne zu vermeiden, die die räumlichen Tracking-Fähigkeiten des Headsets stark beeinträchtigen und Modellabweichungen verursachen.
7. Führen Sie die Modellausrichtung vor Ort durch und legen Sie räumliche Registrierungsstrategien fest:
   1. Platziere physische Tracking-Marker (z. B. ArUco-Marker oder QR-Codes) an stabilen Ankerpunkten in der realen Welt, wie zum Beispiel am Steinsockel des Haupt-Räucherwerksbrenners. Wir empfehlen ausdrücklich markerbasierte Verfolgung statt rein räumlicher Umgebungskartierung, um Infrarotstörungen durch direktes Sonnenlicht auszugleichen, die Modellstabilität unter anspruchsvoller Tagesbeleuchtung zu gewährleisten und als robustes Rückfallsystem zu dienen, falls natürliche räumliche Anker versagen.
   2. Nutzen Sie die optischen Sensoren des Headsets, um die Marker zu erkennen und das virtuelle Modell automatisch in das richtige Koordinatensystem einzubinden, wobei manuelle Handgesten im Headset nur für kleine Feinabstimmungen in der Rotation verwendet werden, bis die digitale Punktwolke die physische Struktur perfekt überlappt.
8. Fixiere die Modellposition.
9. Gehen Sie auf der Seite vorbei, um die Registrierungsstabilität zu überprüfen. Stellen Sie sicher, dass die Schwelle für Ausrichtungsgenauigkeit strikt eingehalten wird und während aktiver Nutzerbewegung eine maximale visuelle Drift von nur 2–5 cm toleriert, um die immersive Illusion zu bewahren.

Ergebnisse

Die terrestrische Laserscanning-Kampagne, die im November 2024 durchgeführt wurde, nutzte 18 Scanstationen, um eine umfassende Abdeckung der Zonen Main Hall, Entrance Plaza und Apse zu gewährleisten. Wie in Tabelle 1 dargestellt, wurden die Scanparameter streng kalibriert – insbesondere mit einer Auflösung von 1/4 und einer Qualitätseinstellung von 4x –, um eine Punktentfernung von etwa 6,1 mm bei einem Abstand von 10 Metern zu ergeben. Diese spezifische Kalibrierung war...

Diskussion

Diese Studie demonstriert erfolgreich einen kombinatorischen methodologischen Rahmen für die digitale Renaissance des architektonischen Erbes. Durch die Integration von terrestrischer Laserscanning (TLS), Conditional Generative AI (CGAI) und Augmented Reality (AR) haben wir einen Workflow geschaffen, der die Einschränkungen der traditionellen statischen Erhaltung überwindet, wie sie im methodologischen Rahmen zusammengefasst sind (Abbildung 8).

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
DSLR-Kamera	Hochauflösende Referenzfotografie	N/A
FARO Focus3D S120	Terrestrischer Laserscanner (TLS)	FARO Technologies
FARO SCENE 2019	Punktwolken-Datenverarbeitungssoftware	FARO Technologies
Fologramm	MR-Entwicklungs-Plugin und Headset-Anwendung	Fologramm
Hochleistungs-Arbeitsstation	Datenverarbeitung und Rendering	N/A
Microsoft HoloLens 2	Mixed Reality (MR) Headset	Microsoft
Rhino 8	3D-Modellierungsumgebung	Robert McNeel & Associates
SD-Speicherkarte	Roh-Scan-Datenspeicherung	N/A
Stabile Diffusion	Conditional Generative AI (CGAI)-Modell	Stabilitäts-KI
Tencent Huiyuan 3D	Conditional Generative AI (CGAI)-Plattform	Tencent