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

Résumé Technique : Complétion Neuronale à Structure de Symétrie de Motifs Géométriques Islamiques

Formulation du Problème
L'article traite du défi de la complétion de motifs géométriques islamiques à partir d'une géométrie de contrôle parcellaire. Contrairement à la synthèse d'image standard, où la symétrie est souvent apprise comme une régularité statistique, l'ornementation islamique est définie par une symétrie rotationnelle exacte et des règles de construction strictes. Une infime déviation de la symétrie rend un motif invalide au sein de la tradition. La tâche est formulée comme un problème de complétion géométrique vectorielle : étant donné un ensemble épars de points de contrôle (ancres, marqueurs de bordure) et un ordre de symétrie rotationnelle cible $N$, le système doit prédire un graphe vectoriel complet. Le résultat doit consister en des arêtes sélectionnées à partir d'un réseau candidat géométriquement significatif et en des raffinements de courbes bornées, le tout respectant une symétrie rotationnelle $N$-polaire exacte.

Méthodologie
Le cadre proposé intègre un Réseau de Neurones sur Graphe (GNN) avec des contraintes géométriques explicites dérivées des règles de construction du domaine.

1. Réseau Candidat et Structure d'Orbite : Le système ne génère pas de formes arbitraires. Au lieu de cela, il construit un réseau candidat déterministe basé sur la géométrie de contrôle d'entrée et l'ordre de symétrie $N$. Les sommets sont placés sur des anneaux concentriques, et les arêtes candidates (arêtes d'anneaux, rayons radiaux, cordes de polygones étoilés, etc.) sont énumérées. Crucialement, ces arêtes sont partitionnées en orbites rotationnelles sous le groupe cyclique $C_N$. Une arête $e_i$ appartient à une orbite $O(e_i) = \{g \cdot e_i : g \in C_N\}$.
2. Prédicteur Neural : Un GNN à passage de messages opère sur ce réseau candidat. Il prend en entrée des sommets et des arêtes caractérisés et produit un score $s_i$ et un paramètre de raffinement borné $\alpha_i$ pour chaque arête candidate. Le paramètre de raffinement déplace le milieu d'une arête le long de sa normale dans une limite fixée, garantissant que la courbe reste dans les limites prescrites.
3. Régimes de Décodage : L'article évalue quatre stratégies de décodage pour isoler l'impact de la structure de symétrie :
   • Lié à l'orbite (Orbit-tied) : Le réseau calcule la moyenne des scores et des paramètres de raffinement sur chaque orbite lors de l'entraînement et de l'inférence. Cela impose $s_i = s_j$ et $\alpha_i = \alpha_j$ pour toutes les arêtes d'une même orbite.
   • Projection de Sélection (Selection Projection) : Le réseau est entraîné sans contraintes ; lors de l'inférence, les scores sont agrégés au niveau de l'orbite avant la sélection.
   • Projection Totale (Full Projection) : Les scores et les raffinements sont tous deux moyennés sur les orbites lors de l'inférence.
   • Non structuré (Libre) : Le réseau sélectionne les arêtes indépendamment de toute information d'orbite, servant de base de référence négative.

Principales Contributions
L'article présente quatre contributions principales :

1. Cadre à Structure de Symétrie : Il introduit un cadre de complétion neuronale où la connaissance constructive définit le réseau candidat, la structure d'orbite et le décodeur préservant la validité. Le réseau prédit à l'intérieur de cet espace contraint plutôt que d'apprendre les règles à partir des données.
2. Garantie Constructive : La variante liée à l'orbite fournit une garantie mathématique (Proposition 1) que pour toute entrée et pour toute règle de sélection au niveau de l'orbite, le résultat présentera une symétrie $N$-polaire exacte, préservera les points d'ancrage et maintiendra les raffinements dans les limites. Cette validité est intrinsèque à l'architecture, et non dépendante de la précision des poids appris.
3. Comparaison Contrôlée : L'étude compare les quatre régimes de décodage. Elle démontre que si l'entraînement lié à l'orbite n'offre aucun avantage de fidélité par rapport à la projection au moment de l'inférence, les deux méthodes de symétrie structurelle préservent la validité sans perte mesurable de fidélité de sélection d'arêtes par rapport au décodage non structuré.
4. Robustesse et Critique de l'Évaluation : L'article montre que l'augmentation (entraînement sur des entrées corrompues) améliore la fidélité en cas de géométrie manquante mais échoue à restaurer une validité exacte. Inversement, la structure de symétrie garantit la validité quel que soit le niveau de corruption de l'entrée. De plus, il critique les métriques de chevauchement standard (comme le F1), montrant qu'un modèle procédural peut obtenir des scores F1 élevés en sur-sélectionnant des arêtes (faible précision, haut rappel), prouvant que le chevauchement seul est insuffisant pour évaluer la complétion géométrique.

Résultats
Les expériences ont été menées sur des graphes générés procéduralement inspirés du design islamique, utilisant 600 graphes d'entraînement pour les ordres de symétrie 6, 8, 10 et 12.

• Fidélité : Sur des entrées propres, le modèle lié à l'orbite, les méthodes de projection et les modèles non structurés ont obtenu des scores F1 de sélection d'arêtes comparables (environ 0,52). Le modèle lié à l'orbite n'a subi aucune pénalité de fidélité mesurable pour l'imposition d'une validité exacte.
• Validité : Le modèle non structuré a violé la cohérence des orbites (sélectionnant seulement une partie d'une orbite) en moyenne 3,3 orbites par motif, même sur des données propres. En revanche, les méthodes liées à l'orbite et de projection ont enregistré zéro violation.
• Robustesse : Lorsqu'on a supprimé 30 % de la géométrie de contrôle, le F1 du modèle non structuré a chuté de manière significative (à 0,415) et les violations ont augmenté à 37,5 par motif. Les méthodes à structure de symétrie ont maintenu une fidélité élevée (environ 0,50) et zéro violation.
• Augmentation : L'entraînement du modèle non structuré sur des entrées corrompues a permis de récupérer sa fidélité (restauration du F1 à 0,517) mais n'a pas éliminé les violations de symétrie (restant à 9,0 par motif). La combinaison de l'augmentation et de la structure de symétrie a produit la configuration la plus robuste.

Signification et Revendications
L'article affirme qu'une connaissance géométrique explicite peut contraindre les prédicteurs neuronaux pour produire des résultats qui ne sont pas seulement plausibles, mais certifiablement valides. La conclusion centrale est que la validité géométrique exacte peut être imposée sans sacrifier la fidélité statistique. L'étude distingue deux modes de défaillance : la perte de fidélité sous corruption (traitée par l'augmentation de données) et l'invalidité structurelle (traitée par la structure de symétrie).

Les auteurs positionnent ce travail comme une contribution à l'intelligence artificielle guidée par la connaissance, démontrant comment l'intégration de règles structurelles spécifiques au domaine (orbites rotationnelles) dans le processus d'inférence garantit que le résultat respecte les définitions géométriques strictes. Ils soulignent que, bien que le présent travail soit limité à la symétrie rotationnelle et aux motifs générés procéduralement, le cadre offre une approche scalable et contrainte par la connaissance pour générer des ornements vectoriels là où la validité est une exigence structurelle plutôt qu'une préférence stylistique. Le travail ne prétend pas être supérieur aux systèmes procéduraux traditionnels pour une reproduction fidèle, mais propose une approche apprise capable d'interpoler au sein d'une distribution et de gérer une géométrie d'entrée incomplète tout en maintenant une rigueur mathématique.