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

Sintesi Tecnica: Completamento Neurale a Struttura Simmetrica di Motivi Geometrici Islamici

Formulazione del Problema
Il documento affronta la sfida di completare motivi geometrici islamici a partire da una geometria di controllo sparsa. A differenza della sintesi di immagini standard, dove la simmetria viene spesso appresa come regolarità statistica, l'ornamentazione islamica è definita da una simmetria rotazionale esatta e da rigide regole costruttive. Una minima deviazione nella simmetria rende un motivo invalido all'interno della tradizione. Il compito è formulato come un problema di completamento vettoriale-geometrico: dati un insieme sparso di punti di controllo (ancore, marcatori di confine) e un ordine di simmetria rotazionale target $N$, il sistema deve predire un grafo vettoriale completo. L'output deve consistere in bordi selezionati da un reticolo candidato geometricamente significativo e raffinamenti di curve limitati, il tutto aderendo a un'esatta simmetria rotazionale $N$-fold.

Metodologia
Il framework proposto integra una Rete Neurale a Grafo (GNN) con vincoli geometrici espliciti derivati dalle regole costruttive del dominio.

1. Lattice Candidato e Struttura delle Orbite: Il sistema non genera forme arbitrarie. Al contrario, costruisce un reticolo candidato deterministico basato sulla geometria di controllo in input e sull'ordine di simmetria $N$. I vertici sono posizionati su anelli concentrici e i bordi candidati (bordi di anello, raggi radiali, corde di poligoni stellati, ecc.) vengono enumerati. Fondamentalmente, questi bordi sono partizionati in orbite rotazionali sotto il gruppo ciclico $C_N$. Un bordo $e_i$ appartiene a un'orbita $O(e_i) = \{g \cdot e_i : g \in C_N\}$.
2. Predittore Neurale: Una GNN a passaggio di messaggi opera sul reticolo candidato. Prende come input un reticolo di vertici e bordi featurizzati e restituisce un punteggio $s_i$ e un parametro di raffinamento limitato $\alpha_i$ per ogni bordo candidato. Il parametro di raffinamento sposta il punto medio di un bordo lungo la sua normale entro un limite fissato, garantendo che la curva rimanga entro i limiti prescritti.
3. Regimi di Decoding: Il documento valuta quattro strategie di decoding per isolare l'impatto della struttura di simmetria:
   • Orbit-tied (Legato all'orbita): La rete media i punteggi e i parametri di raffinamento su ogni orbita durante sia l'addestramento che l'inferenza. Ciò impone $s_i = s_j$ e $\alpha_i = \alpha_j$ per tutti i bordi appartenenti alla stessa orbita.
   • Selection Projection (Proiezione di Selezione): La rete viene addestrata senza vincoli; durante l'inferenza, i punteggi vengono aggregati a livello di orbita prima della selezione.
   • Full Projection (Proiezione Totale): Sia i punteggi che i raffinamenti sono mediati sulle orbite durante l'inferenza.
   • Unstructured (Non strutturato/Libero): La rete seleziona i bordi indipendentemente senza alcuna informazione sull'orbita, fungendo da baseline negativa.

Contributi Chiave
Il documento presenta quattro contributi primari:

1. Framework a Struttura Simmetrica: Introduce un framework di completamento neurale in cui la conoscenza costruttiva definisce il reticolo candidato, la struttura delle orbite e il decoder che preserva la validità. La rete predice all'interno di questo spazio vincolato anziché apprendere le regole dai dati.
2. Garanzia Costruttiva: La variante orbit-tied fornisce una garanzia matematica (Proposizione 1) che, per qualsiasi input e per qualsiasi regola di selezione a livello di orbita, l'output esibirà una simmetria $N$-fold esatta, preserverà i punti di ancoraggio e manterrà i raffinamenti entro i limiti. Questa validità è intrinseca all'architettura, non dipendente dall'accuratezza dei pesi appresi.
3. Confronto Controllato: Lo studio confronta i quattro regimi di decoding. Dimostra che, sebbene l'addestramento orbit-tied non offra un vantaggio di fedeltà rispetto alla proiezione al tempo di inferenza, entrambi i metodi a simmetria strutturata preservano la validità senza alcuna perdita misurabile nella fedeltà della selezione dei bordi rispetto al decoding non strutturato.
4. Robustezza e Critica della Valutazione: Il documento mostra che l'augmentation (addestramento su input corrotti) migliora la fedeltà sotto geometria mancante, ma non riesce a ripristinare la validità esatta. Al contrario, la struttura di simmetria garantisce la validità indipendentemente dalla corruzione dell'input. Inoltre, critica le metriche di sovrapposizione standard (come F1), mostrando come un template procedurale possa raggiungere alti punteggi F1 sovra-selezionando i bordi (bassa precisione, alto richiamo), provando che la sola sovrapposizione è insufficiente per valutare il completamento geometrico.

Risultati
Gli esperimenti sono stati condotti su grafi generati proceduralmente ispirati al design islamico, utilizzando 600 grafi di addestramento con ordini di simmetria 6, 8, 10 e 12.

• Fedeltà: Su input puliti, il modello orbit-tied, i metodi di proiezione e i modelli non strutturati hanno ottenuto punteggi F1 di selezione dei bordi comparabili (circa 0.52). Il modello orbit-tied non ha subito alcuna penalità di fedeltà misurabile per l'imposizione della validità esatta.
• Validità: Il modello non strutturato ha violato la coerenza dell'orbita (selezionando solo parte di un'orbita) in una media di 3.3 orbite per pattern, anche su dati puliti. Al contrario, i metodi orbit-tied e di proiezione hanno registrato zero violazioni.
• Robustezza: Quando il 30% della geometria di controllo è stato rimosso, l'F1 del modello non strutturato è sceso significativamente (a 0.415) e le violazioni sono aumentate a 37.5 per pattern. I metodi a simmetria strutturata hanno mantenuto un'alta fedeltà (circa 0.50) e zero violazioni.
• Augmentation: L'addestramento del modello non strutturato su input corrotti ha recuperato la sua fedeltà (ripristinando l'F1 a 0.517) ma non ha eliminato le violazioni di simmetria (rimanendo a 9.0 per pattern). La combinazione di augmentation e struttura di simmetria ha prodotto la configurazione più robusta.

Significato e Rivendicazioni
Il documento afferma che la conoscenza geometrica esplicita può vincolare i predittori neurali per produrre output che non siano solo plausibili, ma certificabilmente validi. Il risultato centrale è che la validità geometrica esatta può essere imposta senza sacrificare la fedeltà statistica. Lo studio distingue tra due modalità di fallimento: la perdita di fedeltà sotto corruzione (affrontata tramite data augmentation) e l'invalidità strutturale (affrontata tramite struttura di simmetria).

Gli autori pongono questo lavoro come un contributo all'intelligenza artificiale guidata dalla conoscenza, dimostrando come l'incorporazione di regole strutturali specifiche del dominio (orbite rotazionali) nel processo di inferenza assicuri che l'output aderisca a rigorose definizioni geometriche. Essi sottolineano che, sebbene l'attuale lavoro sia limitato alla simmetria rotazionale e a motivi generati proceduralmente, il framework fornisce un approccio scalabile e vincolato dalla conoscenza per generare ornamenti vettoriali dove la validità è un requisito strutturale piuttosto che una preferenza stilistica. Il lavoro non rivendica la superiorità rispetto ai sistemi procedurali tradizionali per la riproduzione fedele, ma offre un approccio appreso capace di interpolare all'interno di una distribuzione e gestire geometrie di input incomplete mantenendo il rigore matematico.