TARİHİ YAPILARDA ÇOK AÇILI GÖRÜNTÜLER KULLANILARAK GAN DESTEKLİ MİMARİ DÖNEM TESPİTİ: RESTORASYON SÜRECİNE YÖNELİK BİR YAPAY ZEKÂ YAKLAŞIMI

Öz

Tarihi yapıların restorasyonunda mimari dönemin belirlenmesi, yapının özgün kimliğinin korunması amacıyla yapılacak müdahalelerin bilimsel temellere dayanması açısından büyük önem taşımaktadır. Fakat dönem tespiti genellikle uzman görüşü, tarihî belgeler ve yerinde yapılan mimari değerlendirmelere dayandığından, uzun sürelere gerek duyulmaktadır. Belgeleri eksik ya da zaman içerisinde önemli ölçüde değişime uğramış yapılarda belirsizlikler ortaya çıkabilmektedir. Son yıllarda hızlı gelişme gösteren yapay zekâ tabanlı yöntemler, kültürel mirasın belgelenmesi ve değerlendirilmesi süreçlerinde önemli fırsatlar sunmaktadır. Bu çalışmada, tarihi yapılarda farklı cephelerden elde edilen görüntüler kullanılarak mimari dönemin belirlenmesine yönelik GAN (Generative Adversarial Network) destekli bir yaklaşım önerilmektedir. GAN modeli, farklı ışık, açı ve çevresel koşulları temsil eden en gerçekçi, sentetik görüntüler üretmek maksadıyla kullanılmaktadır. Önerilen yöntemde, seçilen tarihi yapıların farklı cephelerinden elde edilen ve karakteristik mimari detayları içeren görüntülerden oluşan bir veri seti oluşturulmuştur. Elde edilen zenginleştirilmiş veri seti kullanılarak mimari dönem sınıflandırması gerçekleştirilmiş ve model performansı doğruluk, kesinlik, duyarlılık gibi ölçütlerle değerlendirilmiştir. Çalışmanın, tek cephe fotografına dayalı yaklaşımlara kıyasla çok açılı görüntü kullanımının sınıflandırma başarısını artıracağı ve GAN destekli veri artırma yönteminin modelin genelleme yeteneğine olumlu katkı sağlayacağı öngörülmektedir. Önerilen yaklaşımın, restorasyon projelerinde uzmanlara karar destek aracı olarak hizmet etmesi, tarihi yapıların dijital belgelenmesine katkı sağlaması ve mimari dönem tespitinin daha hızlı, sistematik ve nesnel biçimde gerçekleştirilmesine yardımcı olması amaçlanmaktadır. Bu yönüyle çalışma, yapay zekâ teknolojilerinin kültürel mirasın korunması ve restorasyon uygulamalarında kullanımına yönelik yeni bir metodolojik çerçeve sunmayı hedeflemektedir.

Anahtar Kelimeler

• Tarihi yapılar
• restorasyon
• mimari dönem tespiti
• yapay zekâ
• GAN
• çok açılı görüntü analizi

Öz

Tarihi yapıların restorasyonunda mimari dönemin belirlenmesi, yapının özgün kimliğinin korunması amacıyla yapılacak müdahalelerin bilimsel temellere dayanması açısından büyük önem taşımaktadır. Fakat dönem tespiti genellikle uzman görüşü, tarihî belgeler ve yerinde yapılan mimari değerlendirmelere dayandığından, uzun sürelere gerek duyulmaktadır. Belgeleri eksik ya da zaman içerisinde önemli ölçüde değişime uğramış yapılarda belirsizlikler ortaya çıkabilmektedir. Son yıllarda hızlı gelişme gösteren yapay zekâ tabanlı yöntemler, kültürel mirasın belgelenmesi ve değerlendirilmesi süreçlerinde önemli fırsatlar sunmaktadır. Bu çalışmada, tarihi yapılarda farklı cephelerden elde edilen görüntüler kullanılarak mimari dönemin belirlenmesine yönelik GAN (Generative Adversarial Network) destekli bir yaklaşım önerilmektedir. GAN modeli, farklı ışık, açı ve çevresel koşulları temsil eden en gerçekçi, sentetik görüntüler üretmek maksadıyla kullanılmaktadır. Önerilen yöntemde, seçilen tarihi yapıların farklı cephelerinden elde edilen ve karakteristik mimari detayları içeren görüntülerden oluşan bir veri seti oluşturulmuştur. Elde edilen zenginleştirilmiş veri seti kullanılarak mimari dönem sınıflandırması gerçekleştirilmiş ve model performansı doğruluk, kesinlik, duyarlılık gibi ölçütlerle değerlendirilmiştir. Çalışmanın, tek cephe fotografına dayalı yaklaşımlara kıyasla çok açılı görüntü kullanımının sınıflandırma başarısını artıracağı ve GAN destekli veri artırma yönteminin modelin genelleme yeteneğine olumlu katkı sağlayacağı öngörülmektedir. Önerilen yaklaşımın, restorasyon projelerinde uzmanlara karar destek aracı olarak hizmet etmesi, tarihi yapıların dijital belgelenmesine katkı sağlaması ve mimari dönem tespitinin daha hızlı, sistematik ve nesnel biçimde gerçekleştirilmesine yardımcı olması amaçlanmaktadır. Bu yönüyle çalışma, yapay zekâ teknolojilerinin kültürel mirasın korunması ve restorasyon uygulamalarında kullanımına yönelik yeni bir metodolojik çerçeve sunmayı hedeflemektedir.

Kaynakça

1. AGGARWAL, A., MITTAL, M., & BATTINENI, G. (2021). Generative adversarial network: An overview of theory and applications. International Journal of Information Management Data Insights, 1(1), Article 100004.
2. AUSTRALIA ICOMOS. (2013). The Burra Charter: The Australia ICOMOS Charter for Places of Cultural Significance 2013. Australia ICOMOS Incorporated.
3. ÁVILA, F., BLANCA-HOYOS, Á., PUERTAS, E., & GALLEGO, R. (2023). HBIM: Background, current trends, and future prospects. Archives of Computational Methods in Engineering, 30(7), 4665–4692.
4. BASU, A., PAUL, S., GHOSH, S., DAS, S., CHANDA, B., BHAGVATI, C., & SNÁŠEL, V. (2023). Digital restoration of cultural heritage with data-driven computing: A survey. IEEE Access, 11, 120786–120822.
5. CANTEMIR, E., & KANDEMIR, O. (2024). Use of artificial neural networks in architecture: Determining the architectural style of a building with convolutional neural networks. Neural Computing and Applications, 36(11), 6195–6207.
6. CHAI, H., & YUAN, P. F. (2023). Hybrid intelligence. Architectural Intelligence, 2(1), Article 15.
7. CHING, F. D. K., JARZOMBEK, M. M., & PRAKASH, V. (2017). A Global History of Architecture (3rd ed.). John Wiley & Sons.
8. DEBELIE, A., BAGUI, S. S., BAGUI, S. C., & MINK, D. (2026). A systematic ablation study of GAN-based minority augmentation for intrusion detection on UWF-ZeekData22. Electronics, 15(6), Article 1291. https://doi.org/10.3390/electronics15061291

9. GAO, K., XIE, J., SHEN, Z., QIN, W., JIA, L., CHEN, K., FENG, Z., & BEI, Y. (2026). Anomaly-related residual fields for cross-domain anomaly detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 35617–35627.
10. GIANNUZZI, A., & FATIGUSO, F. (2024). Historic built environment assessment and management by deep learning techniques: A scoping review. Journal of Cultural Heritage, 67, 177–193.
11. GIL, A., ARAYICI, Y., KUMAR, B., & LAING, R. (2024). Machine and deep learning implementations for heritage building information modelling: A critical review of theoretical and applied research. Heritage, 7(8), 5355–5390.
12. GOODFELLOW, I., POUGET-ABADIE, J., MIRZA, M., XU, B., WARDE-FARLEY, D., OZAIR, S., COURVILLE, A., & BENGIO, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems (NeurIPS), 27, 2672–2680.
13. GRILLI, E., & REMONDINO, F. (2020). Machine learning generalisation across different 3D architectural heritage. ISPRS International Journal of Geo-Information, 9(6), Article 379.
14. GUI, J., SUN, Z., WEN, Y., TAO, D., & YE, J. (2023). A review on generative adversarial networks: Algorithms, theory, and applications. IEEE Transactions on Knowledge and Data
15. HARMANDA, T. T., HIDAYANTO, A. N., AJI, R. F., & ILIN, I. (2026). Artificial intelligence adoption in the cultural heritage sector: A systematic review of trends, application domains, and challenges. Journal of Cultural Heritage, 75, Article 54.
16. HUANG, Y. Y., YU, S., CHU, J., FAN, H., & DU, B. (2023). Using knowledge graphs and deep learning algorithms to enhance digital cultural heritage management. Heritage Science, 11(1), Article 204.
17. HUANG, Z. (2026). Machine learning in the documentation and analysis of historical landmark buildings: A systematic review and practical demonstration. Discover Civil Engineering, 3(1), Article 29.
18. HUANG, Z., WANG, Y., & CHEN, X. (2026). Artificial intelligence for architectural heritage period recognition. Journal of Cultural Heritage, 45, 120–135.
19. IGLESIAS, G., TALAVERA, E., & DÍAZ-ÁLVAREZ, A. (2023). A survey on GANs for computer vision: Recent research, analysis and taxonomy. IEEE Access, 11, 47224–47245.
20. INTERNATIONAL COUNCIL ON MONUMENTS AND SITES (ICOMOS). (1964). International Charter for the Conservation and Restoration of Monuments and Sites (The Venice Charter 1964). Venice.
21. KARRAS, T., LAINE, S., AITTALA, M., HELLSTEN, J., LEHTINEN, J., & AILA, T. (2020). Analyzing and improving the image quality of StyleGAN. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 8110–8119.
22. LEVOSHKO, S., & KIRICHKOV, I. (2020). Tourist quarter "Chinese-Baroque" of Dao Way District in Harbin City: Experience, problems and perspectives of renovation. E3S Web of Conferences, 164, Article 09012.
23. LI, K., DU, B., LI, D., LIU, Z., ZHANG, X., & KIM, H. (2025). Machine learning in architectural heritage conservation: A systematic review and thematic synthesis of applications, challenges, and future directions. Heritage Science, 13(1), Article 87.
24. LI, Y., DU, Y., YANG, M., LIANG, J., BAI, H., LI, R., & LAW, A. (2023). A review of the tools and techniques used in the digital preservation of architectural heritage within disaster cycles. Heritage Science, 11(1), Article 199.
25. LI, Y., ZHANG, H., WANG, Q., et al. (2023). Deep learning for architectural style classification. Automation in Construction, 152, Article 104920.
26. LLAMAS, J., LERONES, P. M., MEDINA, R., ZALAMA, E., & GÓMEZ-GARCÍA-BERMEJO, J. (2017). Classification of architectural heritage images using deep learning techniques. Applied Sciences, 7(10), Article 992.
27. LOVELL, L. J., DAVIES, R. J., & HUNT, D. V. L. (2022). The application of historic building information modelling (HBIM) to cultural heritage: A review. Applied Sciences, 12(17), Article 9001.
28. MAKHLOUF, A., MAAYAH, M., ABUGHANAM, N., & CATAL, C. (2024). The use of generative adversarial networks in medical image augmentation. Artificial Intelligence Review, 57(7), Article 188.
29. MURPHY, M., MCGOVERN, E., & PAVIA, S. (2013). Historic building information modelling: Adding intelligence to laser and image based surveys of European classical architecture. ISPRS Journal of Photogrammetry and Remote Sensing, 76, 89–102.
30. PELLIS, E., MASIERO, A., BETTI, M., TUCCI, G., & GRUSSENMEYER, P. (2025). A deep learning multiview approach for the semantic segmentation of heritage building point clouds. International Journal of Architectural Heritage, 1–23.
31. PENJOR, T., BANIHASHEMI, S., HAJIRASOULI, A., & GOLZAD, H. (2024). Heritage building information modeling (HBIM) for heritage conservation: Framework of challenges, gaps, and existing limitations of HBIM. Journal of Building Engineering, 91, Article 109710.
32. SHAO, L., & SUN, J. (2023). Identification of historic building "genes" based on deep learning: A case study on Chinese Baroque architecture in Harbin, China. Heritage Science, 11(1), Article 241.
33. SHORTEN, C., KHOSHGOFTAAR, T. M., & FURHT, B. (2021). Text data augmentation for deep learning. Journal of Big Data, 8(1), Article 101.
34. SONG, H., CHEN, J., & LI, P. (2025). Decoding the cultural heritage tourism landscape and visitor crowding behavior from the multidimensional embodied perspective: Insights from Chinese classical gardens. Journal of Destination Marketing & Management, 37, Article 100987.
35. TAN, X., XIE, H., XIA, C., YING, Y., HOKOI, S., & LI, Y. (2025). Artificial intelligence in five key phases of architectural heritage conservation: A systematic review. Journal of Cultural Heritage, 73, 363–381.
36. TRAN, N. T., TRAN, V. H., NGUYEN, N. B., NGUYEN, T. K., & CHEUNG, N. M. (2020). On data augmentation for GAN training. IEEE Transactions on Image Processing, 30, 1882–1897.
37. TRILLO, C., ABURAMADAN, R., MUBAIDEEN, S., SALAMEEN, D., & MAKORE, B. C. N. (2023). Towards a systematic approach to digital technologies for heritage conservation: Insights from Jordan. Heritage, 6(12), 7766–7792.
38. WAHEED, A., GOYAL, M., GUPTA, D., KHANNA, A., AL-TURJMAN, F., & PINHEIRO, P. R. (2020). CovidGAN: Data augmentation using auxiliary classifier GAN for improved COVID-19 detection. IEEE Access, 8, 91916–91923.
39. YOON, J. T., LEE, K. M., OH, J.-H., KIM, H.-G., & JEONG, J. W. (2024). Insights and considerations in development and performance evaluation of generative adversarial networks (GANs): What radiologists need to know. Diagnostics, 14(16), Article 1756. https://doi.org/10.3390/diagnostics14161756