Als een rechter een misdaadscène wil zien, mag het 3D-model niet liegen

Stel je voor: een schietpartij in een magazijn. De politie scant de ruimte met een laserscanner, filmt alles met een camera en reconstrueert de scène daarna in drie dimensies. Weken later staat diezelfde scène in de rechtbank op een scherm, fotorealistisch, draaibaar, bijna aanraakbaar. Maar is wat de rechter ziet ook wat er werkelijk was? Of heeft de computer stilletjes een beetje bijgevuld?

Die vraag is de kern van mijn masterproef, die ik uitvoerde in samenwerking met de Federale Politie Limburg.

Puntenwolken en hallucinaties

Moderne politiediensten scannen misdaadscènes steeds vaker met een LiDAR-scanner: een toestel dat miljoenen laserstralen uitzendt en zo een nauwkeurige driedimensionale kaart van de ruimte maakt: een puntenwolk. Elke punt in die wolk stelt een gemeten locatie voor in de echte wereld, op de millimeter nauwkeurig.

Het probleem? Een puntenwolk ziet eruit als een sterrenhemel met stippen. Voor technici is dat prima, maar een rechter of juryvoorzitter begrijpt er weinig van.

Daar komt Gaussian Splatting om de hoek kijken. Deze technologie zet een puntenwolk om naar een realistisch 3D-model: je wandelt er virtueel doorheen, je kijkt vanuit elke hoek, je ziet de koffievlek op het bureau en de barst in het raam. Perfect voor de rechtbank, zou je denken.

Maar er is een addertje onder het gras. Om mooie beelden te maken, verzint de technologie details bij. Op plekken waar de scanner weinig of geen data had. Plaatsen zoals dunne objecten, donkere hoeken of gebieden achter meubels vult het systeem automatisch aan met wat er hoogstwaarschijnlijk zou staan. Geometrisch gezien liegen de pixels dan. En als bewijsmateriaal in een rechtszaal is dat onaanvaardbaar.

De vraag die mijn thesis aanstuurt

Kan Gaussian Splatting forensisch betrouwbaar worden gemaakt, zonder de visuele kwaliteit volledig te slopen?

Om dat te onderzoeken bouwde ik een eigen pipeline: een keten van softwarestappen die de LiDAR-scan en de videobeelden aan elkaar koppelt, uitlijnt en als startpunt gebruikt voor de 3D-training. Het sleutelwoord is verankering: ik liet de technologie starten vanuit de echte, gemeten geometrie, en beperkte vervolgens hoe ver de software die geometrie mocht verlaten tijdens het "mooier maken".

Concreet: normaal gezien mogen de honderdduizenden kleine vormpjes (Gaussians) waaruit het model bestaat tijdens de training vrij bewegen om zo'n fotogeniek mogelijk resultaat te bereiken. In mijn aangepaste versie konden ze dat niet, of slechts in beperkte mate.

Groen betekent: dit klopt

Het centrale stuk eigen werk in deze thesis is de Forensic Reliability Module: een analyselaag die voor elke Gaussian bijhoudt hoe ver die is afgedreven van zijn oorspronkelijke positie in de LiDAR-puntenwolk. Het resultaat is een kleuroverlay die je over het 3D-model legt:

• Groen: de Gaussian staat nog waar de laser hem oorspronkelijk plaatste. Forensisch betrouwbaar.
• Geel: er is enige drift opgetreden. Gebruik met voorzichtigheid.
• Rood: de Gaussian is ver van zijn startpositie afgedreven. Dit deel is bijgevuld door de computer.

In het onbeperkte model, dat dus ook visueel er het mooiste uitziet, kleurde een witte spuitfles op een tafel volledig rood. De scanner had de dunne fles slechts gedeeltelijk gemeten, waardoor de software tijdens de training vrij spel had om de ontbrekende geometrie te verzinnen. Visueel klopt het, maar de vorm is niet meetbaar herleidbaar tot de originele scan.

In de volledig geconstrained versie, waarbij Gaussians letterlijk niet mogen bewegen, kleurde diezelfde spuitfles groen. Het bewijs klopt nu, maar het beeld is minder scherp.

Twee modes voor twee doeleinden

Na een reeks experimenten kwamen twee aanbevolen configuraties naar voor:

Voor illustratiemateriaal: wanneer een rechter gewoon een intuïtief beeld van de scène wil, maar geen exacte metingen nodig heeft, biedt een tussenliggende instelling de beste balans. De ruimte als geheel (muren, vloer, meubilair) is geometrisch betrouwbaar. Kleine dunne objecten kunnen lichte afwijkingen vertonen, maar de context is duidelijk.

Voor forensisch bewijsmateriaal: wanneer exacte afstanden of objectposities gerechtelijk relevant zijn,  is het advies ondubbelzinnig: de volledig geconstrained versie. Het ziet er iets minder fotorealistisch uit, maar elke pixel is herleidbaar tot een echte lasermeting. Gaussian Splatting fungeert hier als visuele toelichting bij de LiDAR-scan, niet als vervanging ervan.

Meer dan een mooi plaatje

Naast de reconstructiepipeline zelf bouwde ik een volledige forensische toolchain. Een hallucination mask geeft aan welke Gaussians volledig nieuw zijn aangemaakt door de software. Een juridische validatiemodule genereert een rapport met SHA-256-hashcodes en een tijdstempel van een onafhankelijke instantie, zodat achteraf bewijsbaar is dat het rapport na aanmaak niet werd aangepast. En een webapplicatie zet dat rapport om naar een formeel PDF-verslag dat voldoet aan de eisen van de Belgische gerechtelijke procedure.

Samen zorgen die tools ervoor dat de keten van scan tot rechtbank volledig traceerbaar is, wat in technische termen chain of custody wordt genoemd.

Een eerste stap richting AI als getuige

Commissaris Marleen Claesen van de Federale Gerechtelijke Politie Limburg bevestigde in een interview dat er op dit moment wel kwaliteitscriteria bestaan voor 3D-modellen als bewijsmateriaal, zoals de vereiste ijkingsattesten, de beëdiging van deskundigen en de documentatie van elke verwerkingsstap, maar dat deze eerder praktisch en impliciet van aard zijn dan formeel vastgelegd. Een specifiek kader voor forensische 3D-reconstructie ontbreekt vooralsnog.

Wat ik ontwikkeld heb, is geen kant-en-klare rechtbankoplossing. Het is een onderzoeksprototype dat aantoont dat de verankering van neurale visualisatie aan meetbare werkelijkheid technisch mogelijk is.

Gaussian Splatting heeft een echte toekomst in het forensische werkveld. Niet als vervanging van de LiDAR-scanner, maar als de brug tussen wat gemeten werd en wat een rechtbank kan begrijpen.