💻 computer science

Knowledge-Constrained Neural Completion of Islamic Geometric Patterns with Symmetry Guarantees

Dieses Paper präsentiert ein wissensbeschränktes neuronales Framework, das formale geometrische Regeln in ein Graph-Completion-Modell einbettet, um exakte Rotationssymmetrie und strukturelle Validität in islamischen geometrischen Mustern zu garantieren, wobei nachgewiesen wird, dass Datenaugmentation zwar die Treue verbessert, nur symmetrie-strukturierte Inferenz jedoch eine Null-Verletzungsrate gewährleistet.

Ursprüngliche Autoren: Hassan Ugail, Irfan Mehmood

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Hassan Ugail, Irfan Mehmood

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein wunderschönes, kompliziertes Mosaik fertigzustellen, aber Sie haben nur ein paar verstreute Kacheln und eine grobe Skizze davon, wo sich das Zentrum befinden sollte. Das Ziel ist es, den Rest des Bildes so zu vervollständigen, dass es einer strengen Regel folgt: Jedes einzelne Teil muss in einen perfekten, sich wiederholenden Kreis passen. Wenn auch nur ein einziges Teil leicht außermittig liegt oder nicht zu seinem Partner auf der gegenüberliegenden Seite passt, gilt das gesamte Design als „kaputt“ oder ungültig.

In dieser Arbeit geht es darum, einem Computer beizubringen, diese islamischen geometrischen Muster (die für ihre perfekte Symmetrie berühmt sind) zu vervollständigen, ohne Fehler zu machen.

Hier ist die Aufschlüsselung, wie sie es gemacht haben, unter Verwendung einfacher Analogien:

1. Das Problem: Das „Ratespiel“ vs. das „Regelbuch“

Normalerweise versuchen Computer, wenn sie Bilder zeichnen oder vervollständigen, wie ein Ratespiel zu agieren. Sie schauen sich tausende von Beispielen an und versuchen statistisch zu erraten, wie die nächste Linie aussehen sollte.

Das Risiko: Ein Computer könnte eine Linie erraten, die für das menschliche Auge richtig aussieht, aber wenn man sie mit einem Lineal misst, ist sie leicht schief. In der Welt der islamischen Geometrie ist eine schiefe Linie nicht nur ein kleiner Fehler; sie bricht die gesamte mathematische Struktur. Das Muster ist dann nicht mehr gültig.

2. Die Lösung: Das „Orbit-Gitter“ (Orbit Lattice)

Anstatt den Computer frei raten zu lassen, gaben die Autoren ihm ein strenges Regelbuch und ein vorgefertigtes Skelett.

Das Skelett: Bevor der Computer mit dem Zeichnen beginnt, baut das System ein „Kandidaten-Gitter“ auf. Stellen Sie sich dies als ein Gitter aus unsichtbaren Fäden vor, die jeden möglichen Punkt verbinden, an dem eine Linie gehen könnte.
Die Orbits (Umlaufbahnen): Das System ordnet diese Fäden in „Orbits“ ein. Stellen Sie sich ein Karussell mit Pferden vor. Wenn Sie ein Pferd bemalt, besagt die Regel, dass Sie alle anderen Pferde auf exakt dieselbe Weise um das Zentrum herum bemalen müssen. Man kann nicht nur ein Pferd malen; man malt die ganze Gruppe.
Das Wissen: Der Computer darf keine neuen Formen erfinden. Er darf nur aus den Fäden des Skeletts wählen und entscheiden, welche er behält.

3. Die zwei Wege, um die Regeln durchzusetzen

Die Autoren testeten zwei Hauptmethoden, um sicherzustellen, dass der Computer der „Karussell-Regel“ folgt:

Methode A: Der „gebundene Hände“-Ansatz (Orbit-Tied): Der Computer wird physisch gezwungen, für jedes Pferd in der Gruppe die gleiche Entscheidung zu treffen. Wenn er entscheidet, das erste Pferd zu malen, malt er automatisch die anderen mit. Es ist, als würde man dem Computer die Hände zusammenbinden, damit er keinen Fehler machen kann.
Methode B: Die „Nachspiel-Korrektur“ (Projection): Der Computer darf zuerst frei raten. Dann tritt nach der Fertigstellung ein Schiedsrichter ein, betrachtet das Ergebnis und korrigiert etwaige Fehler, indem er die Gruppen zur Übereinstimmung zwingt.

4. Die große Entdeckung: Regeln schaden der Qualität nicht

Die Autoren waren besorgt, dass das Erzwingen strenger Regeln die Genauigkeit des Computers (die „Fidelity“) verringern könnte.

Das Ergebnis: Sie fanden heraus, dass das Folgen der Regeln die Fähigkeit des Computers, zu raten, nicht verschlechterte. Bei sauberen, perfekten Eingabedaten war der „regelbefolgende“ Computer genauso gut wie der „frei ratende“ Computer.
Der Haken: Der „frei ratende“ Computer erstellte wunderschöne Muster, die richtig aussah, aber mathematisch kaputt waren (ungültig). Der „regelbefolgende“ Computer erstellte Muster, die sowohl wunderschön als auch mathematisch perfekt waren.

5. Der wahre Test: Wenn die Eingabe unordentlich ist

Der wahre Test kam, als sie dem Computer eine unordentliche, unvollständige Skizze (mit fehlenden Teilen des Skeletts) gaben.

Der freie Rater: Als die Eingabe unordentlich war, wurde der frei ratende Computer verwirrt. Er verlor seine Genauigkeit und erzeugte viele kaputte Muster. Selbst wenn man versuchte, ihn mit unordentlichen Beispielen zu trainieren (Data Augmentation), verbesserte er zwar sein Raten, produzierte aber weiterhin kaputte Muster.
Der Regelbefolger: Der Computer mit den „gebundenen Händen“ (oder derjenigen mit einem Schiedsrichter) blieb perfekt. Selbst als die Eingabe unordentlich war, erzeugte er immer noch ein mathematisch gültiges Muster. Die „Orbit“-Struktur wirkte wie ein Sicherheitsnetz, das die Fehler glättete.

6. Die „Template“-Falle

Sie verglichen ihre Methode auch mit einem einfachen „Template“ (einer Vorlage), das einfach alles Mögliche zeichnet.

Die Falle: Dieses Template erhielt eine hohe Punktzahl, weil es so viele Linien zeichnete, dass es versehentlich auch die richtigen Linien abdeckte. Aber es zeichnete viel zu viele zusätzliche Linien (Über-Vervollständigung).
Die Lektion: Man kann den Erfolg nicht nur daran messen, wie sehr sich die Zeichnung mit dem Ziel überschneidet. Man muss prüfen, ob die Zeichnung strukturell gültig ist. Eine hohe Punktzahl kann ein kaputtes Design verbergen.

Zusammenfassung

Die Arbeit zeigt, dass man ein Computersystem bauen kann, das komplexe, wunderschöne geometrische Kunst erschafft, indem man die Regeln der Kunst direkt in das Gehirn des Computers einbettet.

Ohne die Regeln: Ist der Computer gut im Raten, aber schlecht darin, perfekt zu sein.
Mit den Regeln: Ist der Computer genauso gut im Raten, aber er ist garantiert perfekt.

Es ist, als würde man einem Schüler beibringen, ein Puzzle zu lösen. Man kann ihn raten lassen, wohin die Teile gehören (was vielleicht ganz okay aussieht, aber falsch ist), oder man gibt ihm eine Anleitung, die ihn nur erlaubt, Teile in die korrekten Schlitze zu setzen. Die Arbeit beweist, dass die Verwendung der Anleitung den Schüler nicht langsamer oder weniger genau macht; sie stellt lediglich sicher, dass das fertige Bild tatsächlich ein gültiges Puzzle ist.

Technisches Resümee: Wissensgestützte neuronale Vervollständigung islamischer geometrischer Muster mit Symmetriegarantien

Problemdefinition

Islamischer geometrischer Schmuck wird nicht durch stilistische Ähnlichkeit definiert, sondern durch exakte geometrische Struktur, einschließlich präziser Rotationssymmetrie ( $N$ -zählig), bewahrter Ankerpunkte und kohärenter Vektorgeometrie. Historisch gesehen werden diese Muster durch systematische Zirkel- und Lineal-Methoden konstruiert. Das Paper identifiziert eine kritische Lücke in der modernen neuronalen Generierung: Während neuronale Netze visuell plausible Bilder erzeugen können, lernen sie Symmetrie typischerweise nur statistisch und können nicht zertifizieren, dass ein Output die strengen strukturellen Regeln des Fachbereichs einhält. Eine geringfügige Symmetrieverletzung macht ein islamisches geometrisches Muster „strukturell ungültig“.

Die Autoren definieren die Aufgabe nicht als Bildsynthese, sondern als ein strukturiertes geometrisches Vervollständungsproblem. Gegeben seien eine spärliche Kontrollgeometrie (minimale Konstruktionspunkte und Anker, abgeleitet aus traditionellen Layouts) und eine Zielsymmetrieordnung $N$ . Das Ziel ist es, ein vollständiges Muster als Vektorgraph zu vervollständigen. Der Output muss aus Kanten bestehen, die aus einem geometrisch sinnvollen Kandidaten-Gitter ausgewählt wurden, optionalen begrenzten Kurvenverfeinerungen entsprechen und eine exakte $N$ -zählige Symmetrie aufweisen.

Methodik

1. Wissensgestütztes Framework

Der Kern der Methodik besteht darin, explizites geometrisches Domänenwissen in den neuronalen Lernprozess einzubetten.

Konstruktion des Kandidaten-Gitters: Anstatt das Netzwerk zu fragen, willkürliche Geometrien zu erfinden, generiert das System deterministisch ein Kandidaten-Gitter aus der spärlichen Kontrollgeometrie und der Zielsymmetrieordnung $N$ . Dieses Gitter umfasst Vertices auf konzentrischen Ringen und einen Satz zulässiger Kanten (Ringkanten, radiale Speichen, Sternpolygon-Sehnen usw.).
Orbit-Struktur: Die Kandidatenkanten werden unter der zyklischen Gruppe $C_N$ in Rotationsorbits partitioniert. Eine Kante $e_i$ gehört zu einem Orbit $O(e_i) = \{ g \cdot e_i : g \in C_N \}$ . Ein vervollständigtes Muster ist gültig, wenn und nur wenn sein ausgewählter Kanten-Satz eine Vereinigung vollständiger Orbits ist und die Verfeinerungsparameter innerhalb jedes Orbits konstant sind.
Neuronaler Prädiktor: Ein Graph Neural Network (GNN) operiert auf diesem Kandidaten-Gitter. Es nimmt Vertex- und Kantenmerkmale (Position, Radius, Winkel, Ankerstatus, Kantentyp) entgegen und sagt Folgendes voraus:
- Einen Kanten-Score $s_i$ für die Auswahl.
- Einen begrenzten Verfeinerungsparameter $\alpha_i$ für ornamentale Kurvenanpassungen.

2. Decoding-Regime

Das Paper vergleicht vier Decoding-Strategien, um den Einfluss der Symmetriestruktur zu isolieren:

Orbit-Tied (Orbit-gebunden): Das Netzwerk mittelt Score-Logits und Verfeinerungsausgaben über jeden Orbit hinweg während des Forward-Passes (sowohl beim Training als auch bei der Inferenz). Dies erzwingt $s_i = s_j$ und $\alpha_i = \alpha_j$ für Kanten im selben Orbit.
Selection Projection (Selektionsprojektion): Ein unbeschränktes Netzwerk wird ohne Tying trainiert. Bei der Inferenz werden die Scores auf Orbit-Ebene aggregiert, bevor die Selektion erfolgt.
Full Projection (Vollständige Projektion): Ein unbeschränktes Netzwerk wird ohne Tying trainiert. Bei der Inferenz werden sowohl die Scores als auch die Verfeinerungsparameter über die Orbits gemittelt.
Unstructured (Free) (Unstrukturiert/Frei): Ein unbeschränktes Netzwerk wählt Kanten unabhängig von der Verwendung von Orbit-Informationen aus (negatives Baseline-Modell).

3. Begrenzte Verfeinerung

Verfeinerungen werden konservativ angewendet. Strukturelle Kanten bleiben gerade. Ornamentale Kanten werden durch Verschiebung des Mittelpunkts entlang der Kanten-Normalen um $\tanh(\alpha_i) \alpha_{max} L_i$ angepasst. Die $\tanh$ -Sättigung stellt sicher, dass die Verschiebung die Grenze $|\delta_i| \le \alpha_{max} L_i$ niemals überschreitet, unabhängig vom Output des Netzwerks.

Zentrale Beiträge

Wissensgestütztes Graph Neural Framework: Ein System, bei dem explizite Konstruktionsregeln das Kandidaten-Gitter, die Orbit-Struktur und das validitätserhaltende Decoding definieren. Das Netzwerk sagt über diesen wissensdefinierten Raum voraus, anstatt über einen freien kombinatorischen Raum.
Garantierte konstruktive Validität: Ein formaler Beweis (Proposition 1), der zeigt, dass das Orbit-Tied-Decoding-Schema folgendes garantiert:
- Exakte $N$ -zählige Rotationssymmetrie (null Verletzungen ausgewählter Orbits).
- Exakte Bewahrung von Anker-Vertices.
- Begrenzte Verfeinerungsverschiebungen.
- Diese Invarianten gelten für jeden Input und jede Orbit-Ebene-Selektionspolitik, unabhängig vom Lernzustand des Netzwerks.
Empirische Charakterisierung der Symmetriestruktur: Eine kontrollierte Studie über vier Decoding-Regime hinweg, die zeigt, dass symmetrie-strukturierte Inferenz (ob intrinsisch oder via Projektion) die Validität bewahrt, ohne messbaren Verlust in der Vervollständigungs-Fidelität gegenüber unstrukturiertem Decoding zu erleiden.
Robustheit und Fehleranalyse: Eine Evaluierung, die zeigt, dass während Datenausweitung (Training mit korrumpierten Inputs) die Fidelität wiederherstellt, dies jedoch nicht die exakte Validität wiederherstellt. Umgekehrt garantiert symmetrie-strukturierte Inferenz die Validität selbst dann, wenn die Eingangsgeometrie unvollständig ist, wodurch komplementäre Fehlermodi adressiert werden.

Experimentelle Ergebnisse

Die Experimente wurden an prozedural generierten, von islamischer Geometrie inspirierten Mustergraph-Daten (Symmetrieordnungen 6, 8, 10, 12) über drei Random Seeds durchgeführt.

Fidelität auf sauberen Inputs: Auf sauberen Testdaten erreichten das Orbit-tied Modell, die Selection Projection und das Unstructured Free Decoding statistisch ununterscheidbare Kanten-Selektions-F1-Scores (ca. 0,52). Das prozedurale Template-Baseline-Modell erreichte einen etwas höheren F1-Score (0,534), tat dies jedoch durch eine starke Überkomplettierung von Kanten (niedrige Präzision, hohe Recall), was zeigt, dass Überlappungsmetriken allein für diesen Bereich unzureichend sind.
Strukturelle Validität: Das unstrukturierte Modell verletzte die Orbit-Konsistenz im Durchschnitt 3,3 Mal pro Muster, selbst bei sauberen Inputs. Im Gegensatz dazu erreichten die Orbit-tied- und die Projektionsmethoden null Orbit-Verletzungen, null Anker-Drift und null übermäßige Verfeinerung.
Robustheit gegenüber fehlender Geometrie: Als 30 % der Eingangs-Kontrollgeometrie entfernt wurden:
- Sank der F1-Score des unstrukturierten Modells signifikant (von 0,524 auf 0,415) und die Verletzungen stiegen auf 37,5 pro Muster.
- Die strukturierten Methoden behielten eine hohe Fidelität (F1 ~0,50–0,51) und null Verletzungen bei.
- Das Training des unstrukturierten Modells mit Missing-Geometry-Augmentation stellte die Fidelität wieder her (F1 ~0,517), eliminierte aber nicht die Orbit-Verletzungen (9,0 pro Muster).
- Fazit: Datenausweitung verbessert die Fidelität unter Korruption, während Symmetriestruktur die Validität garantiert. Die beiden sind komplementär.

Bedeutung und Ansprüche

Das Paper behauptet, dass exakte geometrische Validität ohne messbaren Verlust in der Vervollständigungs-Fidelität auferlegt werden kann. Der primäre Beitrag ist der Nachweis, dass explizites geometrisches Konstruktionswissen die neuronale Graph-Vorhersage so einschränken kann, dass Outputs entstehen, die nicht nur plausibel, sondern zertifizierbar valide sind.

Die Autoren betonen, dass die „Orbit-Struktur“ der Kandidatengeometrie der entscheidende Mechanismus für die Validität ist, nicht ein spezifisches architektonisches Device. Sowohl die konstruktiven (Orbit-tied) als auch die Post-hoc-Ansätze (Projection) liefern äquivalente Validität und Fidelität, was darauf hindeutete, dass die Durchsetzung der Orbit-Struktur während der Decoding-Phase ausreichend ist.

Die Arbeit positioniert sich als Schritt in Richtung vertrauenswürdiger KI in Domänen, in denen strukturelle Regeln nicht verhandelbar sind. Sie argumentiert, dass für islamische geometrische Muster die Validität eine strukturelle Anforderung ist, die als explizites Wissen kodiert ist, nicht eine visuelle Präferenz. Das Framework bietet einen skalierbaren, vektorbasierten Ansatz zur Generierung von Ornamenten, der gegenüber unvollkommenen Eingangsdaten robust bleibt – ein häufiges Szenario bei der Anwendung von Skizzen oder Scans.

Die Autoren bleiben bescheiden und merken an, dass das System nicht beansprucht, überlegen gegenüber prozeduralen Konstruktionssystemen für die getreue Reproduktion historischer Familien zu sein, noch dass es die historische Authentizität zertifiziert. Die generierten Outputs sind „von islamischem geometrischem Design inspirierte Vervollständigungen“, die strukturell valide gemäß den spezifizierten Regeln sind.