Symmetry-Structured Neural Completion of Islamic Geometric Patterns from Sparse Control Geometry

Resumen Técnico: Completitud Neuronal con Estructura de Simetría de Patrones Geométricos Islámicos

Formulación del Problema
El artículo aborda el desafío de completar patrones geométricos islámicos a partir de una geometría de control dispersa. A diferencia de la síntesis de imágenes estándar, donde la simetría suele aprenderse como una regularidad estadística, la ornamentación islámica se define por una simetría rotacional exacta y reglas de construcción estrictas. Una pequeña desviación en la simetría invalida un patrón dentro de la tradición. La tarea se plantea como un problema de completitud de grafos vectoriales: dada una serie dispersa de puntos de control (anclajes, marcadores de contorno) y un orden de simetría rotacional objetivo $N$, el sistema debe predecir un grafo vectorial completo. El resultado debe consistir en bordes seleccionados de una red candidata geométricamente significativa y refinamientos de curvas acotados, todos ellos adhiriéndose a una simetría rotacional de orden $N$ exacta.

Metodología
El marco propuesto integra una Red Neuronal de Grafos (GNN) con restricciones geométricas explícitas derivadas de las reglas de construcción del dominio.

1. Red Candidata y Estructura de Órbita: El sistema no genera formas arbitrarias. En su lugar, construye una red candidata determinista basada en la geometría de control de entrada y el orden de simetría $N$. Los vértices se colocan en anillos concéntricos, y se enumeran los bordes candidatos (bordes de anillo, radios, cuerdas de polígonos estrellados, etc.). Crucialmente, estos bordes se particionan en órbitas rotacionales bajo el grupo cíclico $C_N$. Un borde $e_i$ pertenece a una órbita $O(e_i) = \{g \cdot e_i : g \in C_N\}$.
2. Predictor Neuronal: Una GNN de paso de mensajes opera sobre esta red candidata. Toma vértices y bordes caracterizados como entrada y devuelve una puntuación $s_i$ y un parámetro de refinamiento acotado $\alpha_i$ para cada borde candidato. El parámetro de refinamiento desplaza el punto medio de un borde a lo largo de su normal dentro de un límite fijo, asegurando que la curva permanezca dentro de los límites prescritos.
3. Regímenes de Decodificación: El artículo evalúa cuatro estrategias de decodificación para aislar el impacto de la estructura de simetría:
   • Vinculado a la órbita (Orbit-tied): La red promedia las puntuaciones y los parámetros de refinamiento sobre cada órbita durante tanto el entrenamiento como la inferencia. Esto impone $s_i = s_j$ y $\alpha_i = \alpha_j$ para todos los bordes en la misma órbita.
   • Proyección de Selección (Selection Projection): La red se entrena sin restricciones; en la inferencia, las puntuaciones se agregan al nivel de la órbita antes de la selección.
   • Proyección Total (Full Projection): Tanto las puntuaciones como los refinamientos se promedian sobre las órbitas durante la inferencia.
   • No Estructurado (Libre): La red selecciona bordes de forma independiente sin ninguna información de órbita, sirviendo como un control negativo.

Contribuciones Clave
El artículo realiza cuatro contribuciones primarias:

1. Marco con Estructura de Simetría: Introduce un marco de completitud neuronal donde el conocimiento de la construcción define la red candidata, la estructura de la órbita y el decodificador que preserva la validez. La red predice dentro de este espacio restringido en lugar de aprender las reglas a partir de los datos.
2. Garantía Constructiva: La variante vinculada a la órbita proporciona una garantía matemática (Proposición 1) de que, para cualquier entrada y cualquier regla de selección a nivel de órbita, el resultado exhibirá una simetría de orden $N$ exacta, preservará los puntos de anclaje y mantendrá los refinamientos dentro de los límites. Esta validez es intrínseca a la arquitectura, no dependiente de la precisión de los pesos aprendidos.
3. Comparación Controlada: El estudio compara los cuatro regímenes de decodificación. Demuestra que, si bien el entrenamiento vinculado a la órbita no ofrece una ventaja de fidelidad sobre la proyección en tiempo de inferencia, ambos métodos de estructura de simetría preservan la validez sin una pérdida medible en la fidelidad de la selección de bordes en comparación con la decodificación no estructurada.
4. Robustez y Crítica de la Evaluación: El artículo muestra que la aumentación (entrenar con entradas corruptas) mejora la fidelidad bajo geometría faltante, pero no logra restaurar la validez exacta. Por el contrario, la estructura de simetría garantiza la validez independientemente de la corrupción de la entrada. Además, critica las métricas de solapamiento estándar (como F1), mostrando que una plantilla procedimental puede lograr puntuaciones F1 altas mediante la sobre-selección de bordes (precisión baja, recuperación alta), demostiendo que el solapamiento por sí solo es insuficiente para evaluar la completitud geométrica.

Resultados
Los experimentos se realizaron sobre grafos generados procedimentalmente inspirados en el diseño islámico, utilizando 600 grafos de entrenamiento a través de órdenes de simetría 6, 8, 10 y 12.

• Fidelidad: Con entradas limpias, el modelo vinculado a la órbita, los métodos de proyección y los modelos no estructurados lograron puntuaciones F1 de selección de bordes comparables (aprox. 0.52). El modelo vinculado a la órbita no incurrió en una penalización de fidelidad medible por imponer la validez exacta.
• Validez: El modelo no estructurado violó la consistencia de la órbita (seleccionando solo parte de una órbita) en un promedio de 3.3 órbitas por patrón, incluso con datos limpios. En contraste, los métodos de la órbita vinculada y de proyección registraron cero violaciones.
• Robustez: Cuando se eliminó el 30% de la geometría de control, la F1 del modelo no estructurado cayó significativamente (a 0.415) y las violaciones aumentaron a 37.5 por patrón. Los métodos con estructura de simetría mantuvieron una alta fidelidad (aprox. 0.50) y cero violaciones.
• Aumentación: Entrenar el modelo no estructurado con entradas corruptas recuperó su fidelidad (restituyendo la F1 a 0.517) pero no eliminó las violaciones de simetría (permaneciendo en 9.0 por patrón). La combinación de aumentación y estructura de simetría produjo la configuración más robusta.

Significancia y Reivindicaciones
El artículo afirma que el conocimiento geométrico explícito puede restringir a los predictores neuronales para producir resultados que no son meramente plausibles, sino certificablemente válidos. El hallazgo central es que la validez geométrica exacta puede imponerse sin sacrificar la fidelidad estadística. El estudio distingue entre dos modos de falla: la pérdida de fidelidad bajo corrupción (abordada por la aumentación de datos) y la invalidez estructural (abordada por la estructura de simetría).

Los autores posicionan este trabajo como una contribución a la inteligencia artificial basada en el conocimiento, demostrando cómo la incorporación de reglas estructurales específicas del dominio (órbitas rotacionales) en el proceso de inferencia asegura que el resultado se adhiera a definiciones geométricas estrictas. Enfatizan que, aunque el presente trabajo se limita a la simetría rotacional y a patrones generados procedimentalmente, el marco proporciona un enfoque escalable y restringido por el conocimiento para generar ornamentos vectoriales donde la validez es un requisito estructural y no una preferencia estilística. El trabajo no pretende la superioridad sobre los sistemas procedimentales tradicionales para la reproducción fiel, sino que ofrece un enfoque aprendido capaz de interpolar dentro de una distribución y manejar geometría de entrada incompleta manteniendo el rigor matemático.