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

技术摘要：对称结构化神经伊斯兰几何图案补全

问题定义
本文探讨了从稀疏控制几何中补全伊斯兰几何图案的挑战。与标准的图像合成不同（后者通常将对称性学习为一种统计规律），伊斯兰装饰的定义在于精确的旋转对称性和严格的构造规则。对称性的微小偏差都会使图案在传统意义上失效。该任务被构架为一个矢量几何补全问题：给定一组稀疏的控制点（锚点、边界标记）和目标旋转对称阶数 $N$，系统必须预测一个完整的矢量图。输出必须由从具有几何意义的候选晶格中选出的边以及受限曲线细化组成，且必须严格遵循精确的 $N$ 阶旋转对称性。

方法论
所提出的框架将图神经网络（GNN）与源自领域构造规则的显式几何约束相结合。

1. 候选晶格与轨道结构： 系统并非生成任意形状。相反，它根据输入的控制几何和对称阶数 $N$ 构建一个确定性的候选晶格。顶点被放置在同心圆环上，并枚举候选边（环边、径向辐条、星形多边形弦等）。至关重要的是，这些边根据循环群 $C_N$ 被划分为旋转轨道。一条边 $e_i$ 属于一个轨道 $O(e_i) = \{g \cdot e_i : g \in C_N\}$。
2. 神经预测器： 一个消息传递 GNN 在该候选晶格上运行。它以特征化的顶点和边作为输入，并为每个候选边输出一个评分 $s_i$ 和一个有界细化参数 $\alpha_i$。细化参数将边的中点沿其法线方向进行位移，位移量在固定范围内，以确保曲线保持在预设限制内。
3. 解码机制： 本文评估了四种解码策略，以隔离对称结构的影响：
   • 轨道绑定（Orbit-tied）： 网络在训练和推理过程中，对每个轨道内的评分和细化参数进行平均。这强制要求对于同一轨道内的所有边，满足 $s_i = s_j$ 且 $\alpha_i = \alpha_j$。
   • 选择投影（Selection Projection）： 网络在训练时不带约束；在推理时，将评分聚合到轨道层面。
   • 全投影（Full Projection）： 在推理时，不仅对评分进行平均，也对细化参数进行轨道层面的平均。
   • 无结构（自由）（Unstructured/Free）： 网络在没有任何轨道信息的情况下独立选择边，作为负向基准。

核心贡献
本文提出了四个主要贡献：

1. 对称结构化框架： 引入了一种神经补全框架，其中构造性知识定义了候选晶格、轨道结构和保持有效性的解码器。网络是在这种受限空间内进行预测，而非从数据中学习规则。
2. 构造性保证： 轨道绑定变体提供了一个数学保证（命题 1），即对于任何输入和任何轨道级选择规则，输出都将表现出精确的 $N$ 阶对称性，保留锚点，并将细化保持在界限内。这种有效性是架构固有的，不依赖于学习到的权重精度。
3. 受控对比： 研究对比了四种解码机制。结果表明，虽然轨道绑定训练在保真度方面没有提供优于推理时投影的优势，但两种对称结构化方法在保持有效性的同时，与无结构解码相比，并未出现可测量的边选择保真度损失。
4. 鲁棒性与评估批判： 本文展示了数据增强（在损坏的输入上进行训练）可以提高缺失几何情况下的保真度，但无法恢复精确的有效性。相反，对称结构保证了有效性，无论输入如何损坏。此外，本文批判了标准的重叠指标（如 F1），指出程序化模板可以通过过度选择边（低精确率、高召回率）来获得高 F1 分数，证明仅靠重叠不足以评估几何补全。

实验结果
实验在受伊斯兰设计启发的程序化生成图上进行，使用了 600 个训练图，对称阶数分别为 6、8、10 和 12。

• 保真度： 在干净输入下，轨道绑定模型、投影方法和无结构模型实现了相当的边选择 F1 分数（约 0.52）。轨道绑定模型在强制执行精确有效性时，未产生可测量的保真度惩罚。
• 有效性： 无结构模型违反了轨道一致性（仅选择了轨道的一部分），平均每个图案出现 3.3 个轨道违例。相比之下，轨道绑定和投影方法记录的违例数为零。
• 鲁棒性： 当 30% 的控制几何被移除时，无结构模型的 F1 显著下降（降至 0.415），且每图案的违例增加到 37.5 个。对称结构化方法保持了高保真度（约 0.50）和零违例。
• 增强： 在损坏的输入上训练无结构模型恢复了其保真度（将 F1 恢复至 0.517），但未能消除对称性违例（仍为每图案 9.0 个）。增强与对称结构的结合产生了最鲁棒的配置。

意义与主张
本文声称，显式几何知识可以将神经预测器约束为生成不仅具有合理性而且可验证有效的输出。核心发现是，可以在不牺牲统计保真度的前提下，强制执行精确的几何有效性。研究区分了两种失效模式：由于损坏导致的保真度损失（通过数据增强解决）和结构性无效（通过对称结构解决）。

作者将这项工作定位为知识驱动型人工智能的贡献，展示了如何通过将领域特定的结构规则（旋转轨道）嵌入推理过程，来确保输出符合严格的几何定义。他们强调，尽管目前的工作局限于旋转对称性和程序化生成的图案，但该框架提供了一种可扩展的、受知识约束的方法，用于生成矢量装饰，其中有效性是结构性的要求而非风格性的偏好。该工作并不声称在忠实再现方面优于传统的程序化系统，而是提供了一种学习方法，能够在处理不完整输入几何的同时，在分布内进行插值并保持数学上的严谨性。