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

Resumo Técnico: Completamento de Padrões Geométricos Islâmicos com Estrutura de Simetria via Redes Neurais

Formulação do Problema
O artigo aborda o desafio de completar padrões geométricos islâmicos a partir de uma geometria de controle esparsa. Diferente da síntese de imagem padrão, onde a simetria é frequentemente aprendida como uma regularidade estatística, a ornamentação islâmica é definida por simetria rotacional exata e regras de construção estritas. Um pequeno desvio na simetria torna um padrão inválido dentro da tradição. A tarefa é formulada como um problema de completamento de geometria vetorial: dados um conjunto esparso de pontos de controle (âncoras, marcadores de borda) e uma ordem de simetria rotacional alvo $N$, o sistema deve prever um grafo vetorial completo. O resultado deve consistir em arestas selecionadas de uma rede candidata geometricamente significativa e refinamentos de curvas limitados, todos aderindo a uma simetria rotacional de $N$ ordens exata.

Metodologia
O framework proposto integra uma Rede Neural de Grafos (GNN) com restrições geométricas explícitas derivadas das regras de construção do domínio.

1. Rede Candidata e Estrutura de Órbita: O sistema não gera formas arbitrárias. Em vez disso, ele constrói uma rede candidata determinística baseada na geometria de controle de entrada e na ordem de simetria $N$. Os vértices são posicionados em anéis concêntricos, e as arestas candidatas (arestas de anel, raios, cordas de polígonos estrelados, etc.) são enumeradas. Crucialmente, essas arestas são particionadas em órbitas rotacionais sob o grupo cíclico $C_N$. Uma aresta $e_i$ pertence a uma órbita $O(e_i) = \{g \cdot e_i : g \in C_N\}$.
2. Preditor Neural: Uma GNN de passagem de mensagens opera sobre esta rede candidata. Ela recebe vértices e arestas featurizados como entrada e produz um escore $s_i$ e um parâmetro de refinamento limitado $\alpha_i$ para cada aresta candidata. O parâmetro de refinamento desloca o ponto médio de uma aresta ao longo de sua normal dentro de um limite fixo, garantindo que a curva permaneça dentro dos limites prescritos.
3. Regimes de Decodificação: O artigo avalia quatro estratégias de decodificação para isolar o impacto da estrutura de simetria:
   • Orbit-tied (Órbita Vinculada): A rede calcula a média dos escores e dos parâmetros de refinamento sobre cada órbita durante o treinamento e a inferência. Isso impõe que $s_i = s_j$ e $\alpha_i = \alpha_j$ para todas as arestas na mesma órbita.
   • Selection Projection (Projeção de Seleção): A rede é treinada sem restrições; na inferência, os escores são agregados ao nível da órbita antes da seleção.
   • Full Projection (Projeção Total): Tanto os escores quanto os refinamentos são calculados pela média sobre as órbitas durante a inferência.
   • Unstructured (Não Estruturada/Livre): A rede seleciona arestas independentemente, sem qualquer informação de órbita, servindo como um baseline negativo.

Principais Contribuições
O artigo apresenta quatro contribuições primárias:

1. Framework de Simetria Estruturada: Introduz um framework de completamento neural onde o conhecimento construtivo define a rede candidata, a estrutura de órbita e o decodificador que preserva a validade. A rede prevê dentro deste espaço restrito em vez de aprender regras a partir de dados.
2. Garantia Construtiva: A variante orbit-tied fornece uma garantia matemática (Proposição 1) de que, para qualquer entrada e qualquer regra de seleção de nível de órbita, o resultado exibirá simetria de $N$ ordens exata, preservará os pontos de ancoragem e manterá os refinamentos dentro dos limites. Esta validade é intrínseca à arquitetura, não dependendo da precisão dos pesos aprendidos.
3. Comparação Controlada: O estudo compara os quatro regimes de decodificação. Demonstra que, embora o treinamento orbit-tied não ofereça vantagem de fidelidade sobre a projeção em tempo de inferência, ambos os métodos de simetria estruturada preservam a validade sem perda mensurável de fidelidade na seleção de arestas em comparação com a decodificação não estruturada.
4. Robustez e Crítica de Avaliação: O trabalho mostra que a aumentação (treinar em entradas corrompidas) melhora a fidelidade sob geometria ausente, mas falha em restaurar a validade exata. Por outro lado, a estrutura de simetria garante a validade independentemente da corrupção da entrada. Além disso, critica métricas de sobreposição padrão (como F1), mostrando que um template procedural pode atingir altos escores F1 ao selecionar excessivamente as arestas (baixa precisão, alta revocação), provando que a sobreposição isolada é insuficiente para avaliar o completamento geométrico.

Resultos
Experimentos foram conduzidos em grafos gerados proceduralmente inspirados em design islâmico, utilizando 600 grafos de treinamento através das ordens de simetria 6, 8, 10 e 12.

• Fidelidade: Em entradas limpas, o modelo orbit-tied, os métodos de projeção e os modelos não estruturados alcançaram escores F1 de seleção de arestas comparáveis (aprox. 0,52). O modelo orbit-tied não incorreu em penalidade mensurável de fidelidade ao impor validade exata.
• Validade: O modelo não estruturado violou a consistência de órbita (selecionando apenas parte de uma órbita) em uma média de 3,3 órbitas por padrão, mesmo em dados limpos. Em contraste, os métodos orbit-tied e de projeção registraram zero violações.
• Robustez: Quando 30% da geometria de controle foi removida, o F1 do modelo não estruturado caiu significativamente (para 0,415) e as violações aumentaram para 37,5 por padrão. Os métodos de simetria estruturada mantiveram alta fidelidade (aprox. 0,50) e zero violações.
• Aumentação: Treinar o modelo não estruturado em entradas corrompidas recuperou sua fidelidade (restaurando o F1 para 0,517), mas não eliminou as violações de simetria (permanecendo em 9,0 por padrão). A combinação de aumentação e estrutura de simetria produziu a configuração mais robusta.

Significância e Alegações
O artigo alega que o conhecimento geométrico explícito pode restringir preditores neurais para produzir saídas que não são meramente plausíveis, mas certificadamente válidas. O achado central é que a validade geométrica exata pode ser imposta sem sacrificar a fidelidade estatística. O estudo distingue dois modos de falha: perda de fidelidade sob corrupção (tratada pela aumentação de dados) e invalidade estrutural (tratada pela estrutura de simetria).

Os autores posicionam este trabalho como uma contribuição para a inteligência artificial baseada em conhecimento, demonstrando como a incorporação de regras estruturais específicas do domínio (órbitas rotacionais) no processo de inferência garante que a saída adira a definições geométricas estritas. Eles enfatizam que, embora o trabalho atual seja limitado à simetria rotacional e a padrões gerados proceduralmente, o framework oferece uma abordagem escalável e restrita pelo conhecimento para gerar ornamentos vetoriais onde a validade é um requisito estrutural, e não uma preferência estilística. O trabalho não reivindica superioridade sobre sistemas procedimentais tradicionais para reprodução fiel, mas oferece uma abordagem aprendida capaz de interpolar dentro de uma distribuição e lidar com geometria de entrada incompleta mantendo o rigor matemático.