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

Technische Samenvatting: Symmetrie-gestructureerde Neurale Completie van Islamitische Geometrische Patronen

Probleemformulering
Het artikel behandelt de uitdaging van het completeren van islamitische geometrische patronen vanuit een ijle controlegeometrie. In tegenstelling tot standaard beeld-synthese, waarbij symmetrie vaak wordt geleerd als een statistische regelmaat, wordt islamitische ornamentiek gedefinieerd door exacte rotatiesymmetrie en strikte constructieregels. Een kleine afwijking in symmetrie maakt een patroon ongeldig binnen de traditie. De taak wordt geformuleerd als een vector-geometrisch completion-probleem: gegeven een ijle set controlepunten (ankers, grenspunten) en een doelrotatiesymmetrieorde $N$, moet het systeem een volledige vectorgrafiek voorspellen. De output moet bestaan uit randen geselecteerd uit een geometrisch betekenisvol kandidaat-rooster en begrensde kromlijnafwerkingen, die allemaal voldoen aan exacte $N$-voudige rotatiesymmetrie.

Methodologie
Het voorgestelde raamwerk integreert een Graph Neural Network (GNN) met expliciete geometrische restricties afgeleid van de constructieregels van het domein.

1. Kandidaat-rooster en Baanstructuur: Het systeem genereert geen willekeurige vormen. In plaats daarvan construeert het een deterministisch kandidaat-rooster op basis van de invoercontrolegeometrie en de symmetrieorde $N$. Venues worden geplaatst op concentrische ringen, en kandidaat-randen (ringranden, radiale spaken, ster-polygon koorden, etc.) worden opgesomd. Cruciaal is dat deze randen worden gepartitioneerd in rotatiebanen onder de cyclische groep $C_N$. Een rand $e_i$ behoort tot een baan $O(e_i) = \{g \cdot e_i : g \in C_N\}$.
2. Neurale Voorspeller: Een message-passing GNN opereert over dit kandidaat-rooster. Het neemt gefeaturiseerde vertices en randen als input en geeft een score $s_i$ en een begrensde verfijningsparameter $\alpha_i$ voor elke kandidaat-rand uit. De verfijningsparameter verplaatst het middelpunt van een rand langs de normaal binnen een vaste grens, waardoor de kromme binnen voorgeschreven limieten blijft.
3. Decoding Regimes: Het artikel evalueert vier decoding-strategieën om de impact van de symmetriestructuur te isoleren:
   • Orbit-tied (Baan-gebonden): Het netwerk middelt scores en verfijningsparameters over elke baan tijdens zowel training als inferentie. Dit dwingt $s_i = s_j$ en $\alpha_i = \alpha_j$ af voor alle randen in dezelfde baan.
   • Selection Projection (Selectie-projectie): Het netwerk wordt getraind zonder restricties; tijdens de inferentie worden scores op baan-niveau geaggregeerd vóór selectie.
   • Full Projection (Volledige projectie): Zowel scores als verfijningen worden tijdens de inferentie gemiddeld over banen.
   • Unstructured (Free) (Ongestructureerd/Vrij): Het netwerk selecteert randen onafhankelijk zonder enige informatie over banen, dienend als een negatieve baseline.

Belangrijkste Bijdragen
Het artikel levert vier primaire bijdragen:

1. Symmetrie-gestructureerd Raamwerk: Het introduceert een neuraal completion-raamwerk waarbij constructieve kennis het kandidaat-rooster, de baanstructuur en de validiteit-behoudende decoder definieert. Het netwerk voorspelt binnen deze beperkte ruimte in plaats van regels te leren uit data.
2. Constructieve Garantie: De orbit-tied variant biedt een wiskundige garantie (Propositie 1) dat voor elke input en elke baan-niveau selectieregel, de output exacte $N$-voudige symmetrie vertoont, ankerpunten behoudt en verfijningen binnen de grenzen houdt. Deze validiteit is inherent aan de architectuur, niet afhankelijk van de nauwkeurigheid van de geleerde gewichten.
3. Gecontroleerde Vergelijking: De studie vergelijkt de vier decoding-regimes. Het demonstreert dat hoewel orbit-tied training geen voordeel in getrouwheid (fidelity) biedt ten opzichte van de projectie tijdens de inferentie, beide symmetrie-gestructureerde methoden de validiteit behouden zonder meetbaar verlies in de getrouwheid van de randselectie vergeleken met ongestructureerde decoding.
4. Robuustheid en Evaluatiekritiek: Het artikel toont aan dat augmentatie (trainen op gecorrumpeerde inputs) de getrouwheid verbetert bij ontbrekende geometrie, maar faalt in het herstellen van de exacte validiteit. Omgekeerd garandeert de symmetrie-structuur validiteit ongeacht de corruptie van de input. Verder bekritiseert het de standaard overlap-metrieken (zoals F1), waarbij wordt aangetoond dat een procedureel sjabloon een hoge F1-score kan bereiken door randen overmatig te selecteren (lage precisie, hoge recall), wat bewijst dat overlap alleen onvoldoende is voor de evaluatie van geometrische completion.

Resultaten
Experimenten werden uitgevoerd op procedureel gegenereerde grafen geïnspireerd door islamitisch ontwerp, met gebruik van 600 trainingsgrafen over symmetrieordes 6, 8, 10 en 12.

• Fidelity (Getrouwheid): Op schone inputs bereikten het orbit-tied model, de projectiemethoden en de ongestructureerde modellen vergelijkbare F1-scores voor randselectie (ongeveer 0,52). Het orbit-tied model ondervond geen meetbare penalty in getrouwheid voor het afdwingen van exacte validiteit.
• Validity (Validiteit): Het ongestructureerde model overtrad de baanconsistentie (het selecteren van slechts een deel van een baan) met gemiddeld 3,3 banen per patroon, zelfs op schone data. In tegen afzetting registreerden de orbit-tied en de projectiemethoden nul schendingen.
• Robustness (Robuustheid): Wanneer 30% van de controlegeometrie werd verwijderd, daalde de F1 van het ongestructureerde model aanzienlijk (naar 0,415) en namen de schendingen toe naar 37,5 per patroon. De symmetrie-gestructureerde methoden behielden een hoge getrouwheid (ongeveer 0,50) en nul schendingen.
• Augmentation (Augmentatie): Het trainen van het ongestructureerde model op gecorrumpeerde inputs herstelde de getrouwheid (herstel van F1 naar 0,517) maar elimineerde de symmetrie-schendingen niet (blijvend op 9,0 per patroon). De combinatie van augmentatie en symmetrie-structuur leverde de meest robuuste configuratie op.

Betekenis en Claims
Het artikel beweert dat expliciete geometrische kennis neurale voorspellers kan beperken om outputs te produceren die niet louter plausibel, maar certificeerbaar valide zijn. De centrale bevinding is dat exacte geometrische validiteit kan worden afgedwongen zonder de statistische getrouwheid op te offeren. De studie maakt onderscheid tussen twee foutmodi: verlies van getrouwheid onder corruptie (behandeld door data-augmentatie) en structurele invaliditeit (behandeld door symmetrie-structuur).

De auteurs positioneren dit werk als een bijdrage aan kennisgestuurde kunstmatige intelligentie, waarbij wordt aangetoond hoe het inbedden van domeinspecifieke structurele regels (rotatiebanen) in het inferentieproces ervoor zorgt dat de output voldoet aan strikte geometrische definities. Zij benadrukken dat hoewel het huidige werk beperkt is tot rotatiesymmetrie en procedureel gegenereerde patronen, het raamwerk een schaalbare, kennis-beperkte aanpak biedt voor het genereren van vector-ornamenten waarbij validiteit een structurele vereiste is in plaats van een stilistische voorkeur. Het werk claimt geen superioriteit te hebben over traditionele procedurele systemen voor getrouwe reproductie, maar biedt een geleerd proces dat in staat is om te interpoleren binnen een distributie en onvolledige inputgeometrie te verwerken terwijl de wiskundige strengheid behouden blijft.