Adaptive Interpolatory Curve Subdivision with Learned Local Angles

Resumo Técnico: Subdivisão de Curvas Interpolatórias Adaptativas com Ângulos Locais Aprendidos

Definição do Problema
A subdivisão de curvas interpolatórias é uma técnica fundamental em computação gráfica para gerar objetos geométricos suaves a partir de polígonos de controle, garantindo simultaneamente que a curva limite passe pelos pontos de controle originais. Esquemas clássicos, como as regras de quatro e seis pontos, dependem de um único parâmetro de tensão global ($\mu$) para governar a inserção de novos vértices. Embora esses métodos preservem a propriedade interpolatória, o parâmetro global fixo limita sua adaptabilidade; um único valor de tensão não pode otimizar simultaneamente o desempenho em regiões planas, curvas acentuadas e geometrias locais variáveis. Além disso, os esquemas de subdivisão interpolatórios adaptativos existentes (ex: curvas $\kappa$, Catmull–Rom centrípeta) são amplamente restritos ao plano euclidiano, enquanto curvas em variedades não euclidianas (a esfera de duas dimensões e o disco de Poincaré) tipicamente dependem de extensões de variedades de regras de tensão fixa. Os autores investigam se um preditor compacto e aprendido pode melhorar a fidelidade e a suavidade da subdivisão em geometrias euclidianas, esféricas e hiperbólicas, preservando estritamente a propriedade estrutural de interpolação.

Metodologia
A abordagem proposta reformula a subdivisão interpolatória substituindo o mapeamento determinístico de ângulos exteriores locais para ângulos de inserção por uma função aprendida.

• Interpolação Estrutural: O método mantém um invariante estrutural estrito: os vértices de controle originais são copiados exatamente em cada nível de refinamento ($q_{2j} = p_j$). Novos vértices ($q_{2j+1}$) são inseridos ao longo de geodésicas entre os vértices existentes. Isso garante que a interpolação seja uma propriedade da arquitetura do operador, e não um comportamento aprendido, garantindo erro de posição zero para os vértices retidos, independentemente dos ângulos previstos.
• Preditor de Ângulo Local Aprendido: Um MLP (Perceptron Multicamadas) compacto e por aresta prevê um ângulo de inserção limitado $\alpha_j$ para cada aresta. O vetor de características de entrada inclui ângulos exteriores locais intrínsecos, comprimentos de aresta normalizados e um código de curvatura discreta ($\kappa \in \{-1, 0, +1\}$) indicando o espaço do modelo (Euclidiano, Esférico ou Hiperbólico). Um embedding aprendido mapeia este código de curvatura para condicionar a rede.
• Primitivas Específicas de Geometria: O mesmo preditor aprendido é aplicado através das três variedades de curvatura constante ($E^2, S^2, H^2$), combinando os pesos compartilhados com primitivas geodésicas específicas de geometria (mapas log-exp) para a inserção de vértices.
• Objetivo de Treinamento: O preditor é treinado em polígonos de controle sintéticos com amostragem de referência densa conhecida. A função de perda combina um termo de fidelidade de Chamfer simétrico (usando distância geodésica), uma penalidade de suavidade nos ângulos exteriores previstos e uma penalidade de energia de flexão. Os alvos de treinamento são curvas de referência densas destinadas como referências de recuperação esparsa, em vez de interpolantes ótimos únicos.
• Protocolo de Avaliação: Para garantir uma comparação justa, todas as curvas de saída são reamostradas para uma densidade correspondente usando interpolação de comprimento de arco ciente da geometria antes de computar as métricas. Isso evita artefatos causados por diferentes densidades de amostragem nativas (ex: agrupamento de vértices em baselines paramétricas).

Principais Contribuições

1. Seletor de Ângulo Local Aprendido: Introdução de um preditor compacto por aresta que mapeia características locais intrínsecas para ângulos de inserção limitados, permitindo adaptabilidade local sem sacrificar a estrutura interpolatória.
2. Implementação Estruturalmente Interpolatória: Uma formulação onde a interpolação é garantida pelo design do operador (copiando os vértices originais exatamente), independente dos pesos treinados ou ângulos previstos.
3. Estrutura Unificada Multi-Geometria: Um único preditor compartilhado condicionado à geometria que opera efetivamente através do plano euclidiano, da esfera de duas dimensões e do disco de Poincaré, utilizando primitivas geodésicas específicas de geometria.
4. Protocolo de Avaliação Corrigido: Um framework de comparação rigoroso incluindo um oráculo de $\mu$-fixo de validação, métricas de suavidade de comprimento de arco correspondentes e testes de invariante estrutural para garantir um benchmarking justo contra baselines de tensão fixa e adaptativos.

Resultos
Sob um protocolo de avaliação de densidade correspondente, o preditor aprendido demonstra melhorias significativas em relação aos baselines de tensão fixa:

• Fidelidade: O método reduz o erro de vizinho mais próximo por fatores de 6,1 (Euclidiano), 4,7 (Esférico) e 17,0 (Hiperbólico) em comparação com o melhor baseline de $\mu$-fixo ajustado na validação. No caso Euclidiano, também supera o Catmull–Rom centrípeta por um fator de 1,8 em erro médio de vizinho mais próximo.
• Suavidade: A energia de flexão e a rugosidade da tangente (proxy de $G^1$) são reduzidas de uma a três ordens de magnitude em comparação com esquemas de tensão fixa.
• Generalização: Em um conjunto de dados de mundo real fora da distribuição (trajetória de solo da Estação Espacial Internacional), o preditor aprendido produziu uma curva refinada substancialmente mais suave (reduzindo a energia de flexão por fatores de 66 a 184) enquanto mantinha fidelidade comparável aos baselines.
• Eficiência: Um único modelo compartilhado condicionado à geometria (28.737 parâmetros) apresenta desempenho competitivo contra três modelos treinados independentemente por geometria (86.211 parâmetros no total), recuperando a maior parte do desempenho com um terço do orçamento de parâmetros.

Significância e Alegações
Os autores posicionam este trabalho como um estudo específico dentro do framework de subdivisão baseado em ângulos, em vez de um substituto para a classe mais ampla de métodos clássicos de design de curvas interpolatórias.

• Escopo: O método é apresentado como um operador de subdivisão adaptativo que melhora o equilíbrio entre fidelidade e suavidade sobre regras de tensão global fixa. Não pretende substituir métodos baseados em splines que oferecem garantias analíticas fortes sobre o comportamento da curvatura (ex: curvas $\kappa$, splines interpolatórias $C^2$).
• Limitações: O artigo reconhece explicitamente que o método é atualmente limitado a curvas fechadas com treinamento supervisionado a partir de amostras de referência densas. Não fornece garantias formais de convergência para o operador treinado, nem oferece um caminho para o refinamento não supervisionado a partir apenas de polígonos de controle.
• Conclusão: A principal contribuição é demonstrar que uma formulação de ângulo local aprendida pode aumentar significativamente o desempenho da subdivisão através de múltiplas geometrias de curvatura constante, preservando a propriedade estrutural crítica de interpolação, oferecendo uma solução prática e compacta para o design de curvas multi-geometria.