Intégration du balayage laser terrestre, de l’IA générative et de la réalité mixte pour la reconstruction numérique du patrimoine

Résumé

Ce protocole reproductible démontre un flux de travail pour la reconstruction numérique du patrimoine. Il intègre le balayage laser terrestre pour capturer la géométrie du site, l’IA générative pour reconstituer les éléments culturels perdus à partir de sources archivistiques, et la réalité mixte pour visualiser ces éléments synthétisés in situ.

Résumé

L’accélération rapide de l’urbanisation dans les régions en développement a précipité une double crise pour le patrimoine architectural : la dégradation physique des structures et la dissipation immatérielle de la mémoire culturelle. Les méthodologies traditionnelles de conservation, qui reposent principalement sur la documentation statique, comme la photographie et le relevé manuel, sont de plus en plus insuffisantes pour capturer les dimensions spatiales et temporelles complexes de ces sites historiques. Cette étude introduit un cadre méthodologique combinatoire novateur conçu pour combler le fossé entre un archivage rigoureux et un engagement public dynamique. Nous détaillons un flux de travail qui synergise trois technologies distinctes : le balayage laser terrestre (TLS) pour capturer les attributs géométriques tangibles du bâtiment avec une précision millimétrique ; l’intelligence artificielle générative conditionnelle (CGAI) pour générer des représentations visuelles historiquement informées d’éléments culturels perdus (en particulier, les structures traditionnelles des foires de temples) basées sur des références d’archives ; et la réalité augmentée (AR) via des casques holographiques pour superposer ces couches dans une expérience unifiée de réalité mixte (RM). Le protocole décrit l’ensemble du pipeline, des stratégies d’acquisition de données et du traitement en nuage de points à la génération de modèles pilotée par l’IA et au déploiement final. Cette approche permet de créer un simulacre numérique dynamique qui superpose avec succès des données spatiales de haute précision à des visualisations culturelles interprétatives, offrant un flux de travail techniquement réalisable et évolutif pour la préservation numérique et l’exposition augmentée des monuments patrimoniaux urbains.

Introduction

La préservation du patrimoine architectural constitue un impératif crucial dans le discours contemporain de l’urbanisme et de la durabilité^{culturelle 1,2}. Alors que les villes subissent une modernisation et une numérisation rapides, la tension entre développement et conservation devient de plus en plus^{aiguë 3}. Ce phénomène est particulièrement évident dans les plaines centrales de Chine, une région qui sert de berceau à la civilisation mais qui subit la pression incessante de l’expansion^{urbaine 4,5}. La protection du patrimoine culturel va au-delà de la simple maintenance des reliques physiques ; Elle englobe la sauvegarde du contexte historique, la transmission de la signification culturelle et la préservation de l’authenticité du site^{patrimonial 6}. La conservation du patrimoine n’est pas un acte passif d’archivage, mais une stratégie active de rajeunissement culturel, façonnant l’identité des nations et des régions tout en permettant aux générations futures de maintenir un lien continu avec leur monde spirituel^{ancestral 7}. De plus, la préservation efficace de ces sites favorise une écologie culturelle multidimensionnelle qui interagit dynamiquement avec l’économie mondiale, renforçant l’image de la région sur la scène^{internationale 8}.

Malgré l’importance reconnue de la conservation du patrimoine, les recherches et financements actuels favorisent souvent de manière disproportionnée des sites monumentaux importants tels que le temple Shaolin ou les centres historiques de Luoyang et^{Kaifeng 9}. Cela laisse des monuments d’importance régionale mais moins visibles à l’échelle mondiale, tels que le temple du Dieu de la Cité de Zhengzhou, dans un état de^{marginalisation 10}. Construit sous la dynastie Ming, le temple du Dieu de la Cité, comme le montre la Figure 1, représente un exemple singulier d’architecture religieuse bien préservée à Zhengzhou. Historiquement, elle ne servait pas seulement de sanctuaire religieux, mais aussi de carrefour dynamique d’activités sociales, économiques et populaires — notamment la Foire du^{Temple 11}. Ces foires étaient le moteur du temple, intégrant sacrifice, commerce et divertissement en une expression culturelle^{cohérente 12}. Cependant, l’empiètement du commercialisme moderne et du rezonage urbain a conduit à l’arrêt de ces foires traditionnelles, ce qui a entraîné un dilemme de conservation. Si le squelette physique du temple subsiste, l’esprit intangible — le bruit, la vitalité visuelle et l’interaction sociale — s’est largement dissipé. Cette perte de place (espace plus fonction sociale) souligne l’urgence de méthodes de conservation capables de restaurer à la fois la structure tangible et l’atmosphère^{intangible 13,14}. Par conséquent, le protocole détaillé dans cette étude est explicitement défini et conçu pour les sites patrimoniaux caractérisés par cette dichotomie spécifique : des lieux où les structures architecturales physiques restent structurellement intactes, mais où le contexte culturel éphémère associé et les artefacts immatériels ont été perdus.

Figure 1. Photographie du temple du Dieu de la Cité de Zhengzhou montrant l’état actuel de la façade d’entrée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le déploiement de la technologie numérique dans la conservation du patrimoine culturel offre une solution transformatrice à ce dilemme. Le principe de conservation exige de maintenir la valeur chronologique de l’ontologie du^{matériel 6}. Les méthodes analogiques traditionnelles, telles que la mesure manuelle et la photographie 2D, ne documentent souvent pas de manière exhaustive les géométries complexes de l’architecture ancienne et sont impuissantes à restaurer des scènes éphémères perdues. Par conséquent, le domaine s’est orienté vers le « jumelage numérique », un concept dérivé à l’origine de l’ingénierie aérospatiale, qui consiste à créer une réplique virtuelle d’une entité physique couvrant son^{cycle de vie de 15}. Dans le contexte du patrimoine, un jumeau numérique sert d’archive précise et inaltérable qui soutient le diagnostic, la prédiction et l’interaction¹⁶.

Le balayage laser terrestre (TLS) est devenu la technologie fondamentale pour construire la couche géométrique de ces jumeaux numériques. TLS utilise le LiDAR (Light Detection and Ranging) pour capturer des millions de points de données par seconde, créant un nuage de points à haute densité qui enregistre chaque fissure, inclinaison et texture d’un bâtiment avec une précision^{millimétrique de 17}. Cette technologie est sans contact, ce qui la rend idéale pour les structures fragiles, et très efficace comparée à l’arpentage en station totale. Des applications récentes ont démontré l’efficacité de la TLS dans des scénarios complexes : Marsella et ^al.18 ont utilisé la TLS pour évaluer la sécurité structurelle de la basilique Saint-Pierre au Vatican, identifiant de minuscules déformations invisibles à l’œil nu. De même, Barontini et ^al.19 ont développé un cadre de modélisation de l’information des bâtiments historiques (HBIM) qui intègre les données TLS pour la conservation préventive. La capacité du TLS à diagnostiquer des conditions techniques — telles que fissures des murs, affaissements des fondations et déviation du sol — constitue une base scientifique pour les interventions de restauration physique^20,21.

Cependant, bien que TLS excelle à enregistrer la réalité physique existante, il ne peut pas restaurer la réalité historique disparue. Un nuage de points est exact, mais il est statique et dépourvu de contexte historique. Pour reconstituer les scènes historiques manquantes — comme l’atmosphère animée de la foire du temple — cette étude se tourne vers le domaine émergent de l’Intelligence Artificielle Générative Conditionnelle (CGAI). Contrairement à la modélisation 3D manuelle traditionnelle, qui est laborieuse et repose fortement sur l’interprétation subjective du modélisateur, la CGAI (par exemple, Stable Diffusion ou Tencent Huiyuan 3D) utilise des algorithmes d’apprentissage profond pour générer du contenu visuel basé sur des descriptions^{textuelles 22}. En analysant d’immenses ensembles de données de styles et textures architecturaux historiques, le CGAI peut synthétiser ou reconstruire des éléments historiques plausibles — lanternes, bannières, stands temporaires — à partir de textes d’archives et de données visuelles. Cela représente un changement de paradigme, passant de l’enregistrement purement de ce qui existe à la simulation de ce qui existait historiquement, en utilisant la logique basée sur les données pour combler les lacunes de l’archive^{physique 23}.

Le dernier défi réside dans la diffusion de ce simulacre numérique. Un jumeau numérique stocké sur un serveur a une valeur sociale limitée s’il n’est pas accessible au public. Les technologies de réalité augmentée (AR) et de réalité mixte (RM) relient les mondes physique et virtuel, permettant de superposer le jumeau numérique au site^{physique 24}. Contrairement à la réalité virtuelle (VR), qui isole l’utilisateur dans un environnement entièrement synthétique, la RA maintient la connexion avec le site du patrimoine physique tout en l’enrichissant avec des informations numériques. Des plateformes comme Fologram et des dispositifs comme le Microsoft HoloLens 2 permettent la projection de modèles 3D haute fidélité dans le système de coordonnées réel, facilitant un dialogue direct entre le visiteur et l’histoire^{reconstruite 25}. Cette approche immersive a démontré qu’elle améliore considérablement l’engagement et la compréhension des visiteurs, transformant la vision passive en exploration^{active 26}.

Bien que la littérature actuelle traite souvent les technologies de conservation numérique de manière isolée, le protocole intégré proposé dans cet article offre une nouveauté méthodologique distincte. Premièrement, contrairement aux flux de travail standard de documentation TLS qui produisent des archives géométriques très précises mais culturellement stériles, notre méthode introduit un contexte sémantique dynamique. Deuxièmement, bien que les reconstructions basées sur la photogrammétrie excellent à texturer des surfaces physiques existantes, elles sont structurellement incapables de régénérer des artefacts culturels complètement disparus qui ne possèdent pas de vestiges physiques. Enfin, contrairement aux systèmes existants de visualisation du patrimoine AR qui reposent fréquemment sur des éléments 3D génériques et manuels ou isolent les utilisateurs en VR, ce flux de travail utilise CGAI pour générer des visualisations site-specific et historiquement informées, directement ancrées sur des données TLS millimétriques précises. Cela comble un vide critique en détaillant un protocole rigoureux et reproductible. Pour résoudre les ambiguïtés conceptuelles et établir une logique méthodologique claire, nous définissons explicitement les composantes principales de ce flux de travail. La géométrie documentée désigne la réplique spatiale 3D statique et très précise de l’architecture physique existante ; TLS est nécessaire ici pour capturer cette réalité empirique indéniable avec une précision sans contact. En revanche, la reconstruction interprétative générée par IA désigne les représentations visuelles d’artefacts culturels perdus (par exemple, des décorations de festival) dérivées de textes d’archives ; Le CGAI est nécessaire pour cette étape car il synthétise des interprétations probabilistes et historiquement informées plutôt que des vérités physiques absolues. Enfin, l’IRM est nécessaire pour la visualisation in situ, servant de support expérientiel qui superpose sans effort les couches culturelles interprétatives à la géométrie physique documentée dans le monde réel. En structurant notre approche autour de ces concepts définis, ce flux de travail combinatoire offre non seulement une voie technique pour la numérisation du patrimoine culturel urbain dans les Plaines centrales, mais propose aussi un nouveau modèle théorique pour définir la « préservation » à l’ère numérique — allant au-delà de la préservation de la matière à la revitalisation de la^{mémoire 27, 28}.

Protocole

1. Collecte de données historiques et analyse du site

1. Lancez le projet en réalisant une revue archivistique complète. Récupérez des archives historiques, des photographies, des dessins architecturaux et des descriptions textuelles liées au site patrimonial ciblé (dans ce cas, le Temple du Dieu de la Ville de Zhengzhou) auprès des archives locales, des bureaux de gestion du temple et des bureaux du patrimoine culturel concernés.
2. Analysez les données textuelles spécifiquement pour identifier les descriptions d’éléments éphémères perdus, tels que les décorations des foires du temple, les étals temporaires, les bannières et des agencements d’éclairage spécifiques (par exemple, « lanternes rouges », « danses de dragons »).
3. Effectuer une enquête préliminaire sur le terrain pendant les heures de jour afin de comprendre la topographie du site et documenter l’état actuel de la préservation architecturale (Figure 2). Documentez la disposition du complexe, en notant l’axe central, l’emplacement de la salle principale, des tours de cloches et de tambours, ainsi que les obstacles potentiels tels que des arbres anciens ou des couloirs étroits pouvant obstruer les lignes de vue laser.

Figure 2. Vue actuelle de la cour du temple capturée lors de l’enquête préliminaire du site. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

4. Élaborer une stratégie détaillée de station de balayage / plan de déploiement. Identifier les emplacements de coordonnées spécifiques pour le scanner laser terrestre (TLS) afin d’assurer une couverture à 360° de toutes les structures. Prévoyez un minimum de 12 stations, avec la flexibilité d’étendre à 18 stations selon la complexité du site.
5. Obtenir les autorisations administratives nécessaires pour accéder au site pendant les heures non publiques (généralement tôt le matin de 07h00 à 08h30 ou en fin d’après-midi de 17h00 à 18h30) afin de minimiser le bruit de données causé par la circulation piétone.

2. Acquisition par balayage laser terrestre (TLS)

1. Déployez un scanner laser terrestre à décalage de phase de haute précision. Vérifiez que la charge de la batterie est suffisante pour la durée du scan et que la carte SD a une capacité adéquate.
2. Installez le trépied scanner au premier point de station prédéterminé (commencez par le hall principal/zone A). Ajustez les pieds du trépied pour assurer la stabilité sur le revêtement en pierre.
3. Nivelez le scanner en utilisant le niveau de bulle intégré ou l’inclinomètre numérique sur l’interface de l’appareil. Assurez-vous que l’inclinaison est inférieure à 0,5° pour garantir la verticalité des données du nuage de points.
4. Configurez les paramètres de balayage via l’interface à écran tactile intégré :
   1. Réglez la résolution à 1/4 ou 1/5 (selon les contraintes de temps), en assurant un espacement des points d’environ 6 mm à 10 m.
   2. Réglez la qualité à 3x ou 4x pour réduire le bruit.
   3. Activez la capture couleur (Caméra intégrée) pour superposer la texture Rouge, Vert, Bleu (RGB) à la géométrie.
   4. Assurez-vous que la portée de balayage couvre de 0,6 m à 120 m avec une précision de ±2 mm.
5. Effectuez un scan pilote d’une petite section (par exemple, le clocher) pour vérifier les conditions d’éclairage. Vérifiez l’aperçu pour détecter une surexposition en extérieurs ou une sous-exposition dans les avant-toits ombragés.
6. Procède à la séquence complète de scan. Pour chaque station, déclenchez le balayage et reculez du champ de vision du scanner afin d’éviter de projeter des ombres ou d’apparaître dans les données (ghosting).
7. Déplacez le scanner vers la station suivante, en assurant un chevauchement minimum de 30 à 40 % avec la station précédente. Ce chevauchement est crucial pour le processus d’enregistrement cloud-to-cloud ultérieur.
8. Capturez des photographies de référence haute résolution à l’aide d’un appareil photo reflex numérique (DSLR) externe à chaque station pour compléter la caméra interne du scanner, notamment pour les gravures détaillées ou les plaques calligraphiques.

3. Traitement des données en nuage de points

1. Transférez les données brutes de balayage (format .fls) de la carte SD vers une station de travail haute performance exécutant un logiciel de traitement.
2. Importez les scans bruts dans l’espace de travail du projet logiciel.
3. Appliquez des filtres de prétraitement sur les données brutes : utilisez le filtre à point égaré pour éliminer la poussière et les insectes volants.
4. Utilisez le filtre de points de balayage sombres pour éliminer les données erronées provenant de surfaces très réfléchissantes ou absorbantes.
5. Exécutez l’enregistrement automatique. Permettre au logiciel d’aligner les scans en fonction de la reconnaissance géométrique des caractéristiques et des données GPS.
6. Inspectez le rapport d’enregistrement. Vérifiez que l’erreur moyenne de tension (distance moyenne entre les points correspondants) est inférieure à 4 mm. Si l’erreur dépasse le seuil, effectuez l’enregistrement manuel. Sélectionnez trois points communs distincts (par exemple, angles d’un bâtiment, piliers) dans deux scans superposés pour forcer l’alignement.
7. Appliquez le filtre d’objets en mouvement pour détecter et éliminer automatiquement les bruits transitoires tels que les piétons ou les oiseaux qui traversaient la scène lors du scan.
8. Effectuez un équilibrage des couleurs (ajustement multi-exposition) pour égaliser la luminosité entre le ciel clair et l’intérieur sombre des temples.
9. Créez un nuage de points de projet et exportez le modèle final sous forme de fichier structuré. E57 ou . Dossier OBJ. Assurez-vous que la taille du fichier est gérable (par exemple, réduire l’échantillonnage à un espacement de 5 mm si le fichier dépasse 10 Go).

4. Modélisation de l’IA générative conditionnelle (CGAI)

1. Identifiez les éléments historiques spécifiques à reconstruire en fonction de l’analyse de l’étape 1.2 (par exemple, les stands traditionnels des fêtes de temple, les lanternes).
2. Utilisez une plateforme CGAI sélectionnée.
3. Construisez des consignes textuelles précises en traduisant directement les descripteurs sémantiques et les archives historiques trouvées dans les sources archivistiques (par exemple, les Annales du comté de Zheng) en paramètres visuels. Par exemple, entrée : « Lanterne rouge traditionnelle de la dynastie Ming chinoise, lumineuse, suspendue aux avant-toits, haut niveau de détails » ou « Étal de marché en bois, style ancien, bannière en tissu, texture 3D. »
4. Exécutez le processus de génération. En général, il faut produire un lot de 20 à 30 itérations pour chaque élément historique afin d’assurer un échantillon suffisant de variations stylistiques et de possibilités structurelles.
5. Organisez un comité de validation formel composé d’historiens du patrimoine et d’experts du domaine avant d’intégrer les ressources générées dans la visualisation MR finale. Sélectionnez des résultats historiquement plausibles en croisant les lots d’IA avec les archives visuelles survivantes et le consensus historique établi.
6. Écartez tout résultat présentant des caractéristiques anachroniques ou des impossibilités structurelles. Itérer les prompts textuels en fonction des retours explicites du panel d’experts afin d’affiner l’exactitude historique des modèles.

5. Intégration et construction de jumeaux numériques

1. Ouvre l’environnement de modélisation 3D.
2. Importez le nuage de points TLS traité (. OBJ) dans le logiciel de modélisation 3D.
3. Importez les ressources générées par CGAI.
4. Alignez et positionnez manuellement les ressources CGAI dans l’environnement du nuage de points. Placez les lanternes sous les avant-toits et placez les stalles dans l’espace de la cour selon l’analyse de la disposition historique.
5. Utilisez les outils de modélisation du logiciel pour nettoyer les intersections de maillages ou les écarts d’échelle entre le nuage de points et les modèles d’IA.
6. Texturez le modèle combiné. Appliquez les images HDR (High Dynamic Range) du scanner au maillage du nuage de points et assurez-vous que les ressources IA possèdent les propriétés matérielles appropriées (rugosité, métallité).
7. Exportez le modèle Digital Twin entièrement intégré sous forme de fichier . GLTF (Graphics Language Transmission Format). Ce format est optimisé pour les applications web et AR.

6. Déploiement en réalité augmentée (RA)

1. Installez le plugin de déploiement MR pour le logiciel de modélisation 3D sur la station de travail.
2. Installez l’application compagnon sur le casque de réalité mixte.
3. Connectez à la fois la station de travail et le casque MR au même réseau Wi-Fi 5GHz local pour garantir une transmission de données à faible latence.
4. Lancez le plugin MR dans le logiciel de modélisation pour générer un code QR de session.
5. Mets le casque MR et lance l’application compagnon. Scannez le code QR pour synchroniser la session.
6. Évaluer les conditions environnementales sur site avant le déploiement. Programmez strictement les séances de visualisation IRM tôt le matin ou en fin d’après-midi afin d’éviter de fortes interférences infrarouges du soleil de midi, qui dégradent sévèrement les capacités de suivi spatial du casque et provoquent une dérive du modèle.
7. Effectuer l’alignement des modèles sur site et établir des stratégies d’enregistrement spatial :
   1. Déployez des marqueurs de suivi physiques (par exemple, marqueurs ArUco ou codes QR) à des points d’ancrage stables dans le monde réel, comme la base en pierre du brûleur d’encens principal. Nous recommandons explicitement le suivi basé sur des marqueurs plutôt que la cartographie purement spatiale de l’environnement afin de contrer les interférences infrarouges du soleil direct, garantissant la stabilité du modèle sous un éclairage diurne difficile et agissant comme un repliant robuste en cas d’échec des ancrages spatiaux naturels.
   2. Utilisez les capteurs optiques du casque pour détecter les marqueurs et verrouiller automatiquement le modèle virtuel dans le bon système de coordonnées, en utilisant des gestes manuels dans le casque uniquement pour un ajustement mineur de rotation jusqu’à ce que le nuage de points numériques chevauche parfaitement la structure physique.
8. Verrouillez la position du modèle.
9. Parcourez le site pour vérifier la stabilité de l’inscription. Assurez-vous que le seuil de précision d’alignement est strictement maintenu, en tolérant une dérive visuelle maximale de seulement 2 à 5 cm lors des mouvements actifs de l’utilisateur afin de préserver l’illusion immersive.

Résultats

La campagne de balayage laser terrestre, réalisée en novembre 2024, a utilisé 18 stations de balayage pour assurer une couverture complète du hall principal, de la place d’entrée et des zones de l’abside. Comme détaillé dans le Tableau 1, les paramètres de balayage étaient strictement calibrés — utilisant spécifiquement un réglage de résolution de 1/4 et un réglage de qualité de 4x — pour obtenir une distance ponctuelle d’environ 6,1 mm à une distance de 10 mètres. Cette...

Discussion

Cette étude démontre avec succès un cadre méthodologique combinatoire pour la renaissance numérique du patrimoine architectural. En intégrant le balayage laser terrestre (TLS), l’IA générative conditionnelle (CGAI) et la réalité augmentée (AR), nous avons établi un flux de travail qui transcende les limites de la préservation statique traditionnelle, comme résumé dans le cadre méthodologique (Figure 8).

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Appareil photo reflex numérique	Photographie de référence haute résolution	N/A
FARO Focus3D S120	Scanner laser terrestre (TLS)	FARO Technologies
SCÈNE FARO 2019	Logiciels de traitement de données en nuage de points	FARO Technologies
Fologram	Plugin de développement MR et application casque	Fologram
Station de travail haute performance	Traitement et rendu des données	N/A
Microsoft HoloLens 2	Casque de réalité mixte (MR)	Microsoft
Rhino 8	Environnement de modélisation 3D	Robert McNeel & Associés
Carte de stockage SD	Stockage brut des données de balayage	N/A
Stable Diffusion	Modèle d’IA Générative Conditionnelle (CGAI)	IA de stabilité
Tencent Huiyuan 3D	Plateforme d’IA Générative Conditionnelle (CGAI)	Tencent