Homographic Navigation: Geometry-Driven Camera Guidance for Deterministic Planar Capture

Resumen Técnico: Navegación Homográfica

Declaración del Problema
La captura de imágenes de superficies planas con configuraciones geométricas precisas y repetibles es un requisito fundamental para aplicaciones tales como el monitoreo de condiciones, la inspección de superficies y la identificación de artefactos. Aunque los métodos existentes sobresalen en el alineamiento post-hoc (estimación de la homografía después de la captura), a menudo fallan al intentar guiar el proceso de adquisición en sí mismo. En entornos no restringidos que involucran cámaras portátiles, las variaciones en el punto de vista, la escala, la iluminación y la oclusión conducen a capturas inconsistentes. Los métodos actuales de estimación de homografía de última generación, incluidos los enfoques de aprendizaje profundo, se degradan significamente bajo estas condiciones del mundo real. Además, la homografía es tratada típicamente como un resultado de un proceso de inferencia en lugar de una variable que estructure el flujo de trabajo de adquisición, aprendizaje y evaluación.

Metodología
El artículo propone la Navegación Homográfica, un marco de trabajo centrado en la geometría que eleva la homografía de un objetivo de predicción a una variable organizadora. El presente trabajo se centra en la Fase Uno de este marco: el aprendizaje de un modelo específico de un artefacto a partir de una única imagen de referencia anotada mediante la generación de datos sintéticos impulsada por la geometría.

• Entrenamiento Sintético mediante Aumentación Homográfica:
  Dado una imagen de referencia y un cuadro delimitador alineado con los ejes (AABB) definido por el usuario para una región de interés plana, el sistema genera datos de entrenamiento sintéticos ilimitados. Se aplica una secuencia estocástica de transformaciones (rotación, escalado, traslación y perturbaciones de las esquinas) al cuadro delimitador para crear un cuadrilátero objetivo. Este proceso calcula una matriz de homografía ($H$) para deformar la imagen de referencia hacia este objetivo. Este proceso simula diversos puntos de vista, escalas y oclusiones parciales. Se aplican perturbaciones fotométricas adicionales y un dropout espacial estructurado (enmascaramiento de regiones contiguas) para mejorar la robustez.

• Arquitectura del Modelo:
  El sistema emplea una arquitectura convolucional de un solo paso (single-shot) inspirada en YOLO. Utiliza un backbone ResNet-18 (hasta la capa 3) que alimenta un cuello de botella (neck) de multirresolución. El cuello cuenta con una rama principal para la estructura semántica y una rama paralela de preservación de alta frecuencia utilizando compresión de canales y operaciones de pixel unshuffle. La red genera una predicción densa de rejilla que codifica:

  1. Puntuaciones de objetividad (objectness scores).
  2. Desplazamientos por punto clave (relativos a las celdas de la rejilla) y estimaciones de confianza.
  3. Confianza a nivel de muestra.
  4. Logits de clase.
     El modelo predice puntos clave dispersos (29 en la implementación) que definen la estructura plana.

• Función de Pérdida:
  El entrenamiento utiliza una pérdida compuesta que supervisa la objetividad, los desplazos de los puntos clave (Smooth-$\ell_1$), la clasificación y la estimación de confianza. Crucialmente, los objetivos de confianza se derivan del error de predicción geométrica (distancia euclidiana entre los puntos clave predichos y los reales), lo que permite al modelo aprender a suprimir la confianza ante predicciones inexactas.

• Inferencia de Dos Pasos y Entrenamiento de Deformación Estable (Stable Warp):
  Para abordar las limitaciones de precisión bajo una resolución de entrada fija, el sistema utiliza un esquema de inferencia de dos pasos:

  1. Paso Global: Procesa una imagen completa redimensionada para producir predicciones gruesas.
  2. Paso de Refinamiento Local: Utiliza las predicciones gruesas para definir una transformación de enfoque, remuestreando la imagen original de alta resolución en una región localizada centrada en el objetivo. Un segundo paso hacia adelante (forward pass) produce puntos clave refinados.

  Para soportar tanto el descubrimiento global como el refinamiento local de alta precisión con un solo modelo, los autores introducen el entrenamiento de Deformación Estable (Stable Warp training). Las muestras de entrenamiento se generan mediante aumentación de amplio rango (para robustez global) o aumentación cercana al canónico (para refinamiento de alta precisión), siendo esta última con una probabilidad de $\rho \approx 0.3$. Esto alinea la distribución de entrenamiento con los regímenes de inferencia.

Contribuciones Clave

1. Marco de Navegación Homográfica: Un nuevo paradigma que trata la homografía como una variable organizadora que unifica la adquisición, el aprendizaje y la evaluación, pasando de la estimación pasiva a la guía activa.
2. Pipeline de Entrenamiento Sintético: Un método que permite el aprendizaje eficiente a partir de una sola imagen de referencia sin etiquetado manual adicional, utilizando la aumentación homográfica para simular diversas condiciones del mundo real.
3. Conjunto de Datos y Protocolo de Evaluación: La introducción de un conjunto de datos que abarca imágenes reales, reales aumentadas y sintéticas con anotaciones de homografía consistentes, junto con un protocolo de evaluación geométrica basado en el error de reproyección en lugar de la regresión directa.
4. Estrategia de Deformación Estable (Stable Warp): Una técnica de entrenamiento que mejora significamente la precisión, particularmente en el régimen de alta precisión requerido para el segundo paso de inferencia.

Resultados Experimentales
El enfoque fue evaluado en tres conjuntos de datos (Real, Real Aumentado, Sintético) que comprenden 23 clases de artefactos. El rendimiento se midió utilizando el Área Bajo la Curva (AUC) de curvas de error acumulativo (normalizadas por la diagonal de la imagen y el tamaño del objetivo).

• Comparación con Baselines: El método propuesto (HomoNav) se comparó con SIFT+RANSAC y RoMa v2.
  • En datos Reales y Reales Aumentados, SIFT obtuvo el mejor desempeño, mientras que HomoNav y RoMa v2 mostraron un desempeño moderado.
  • En datos Sintéticos, HomoNav superó significativamente a ambos baselines, demostrando un fuerte alineamiento con la distribución de entrenamiento y robustez ante distorsiones y escalas pequeñas.
• Pasos de Inferencia: El esquema de dos pasos proporcionó mejoras significativas sobre el paso global único, particularmente en la reducción del error sobre el tamaño del objetivo.
• Estudios de Ablación:
  • Eliminar el entrenamiento de Deformación Estable degradó notablemente el desempeño, especialmente para el segundo paso de inferencia.
  • Una arquitectura de Cuello Recto (Straight Neck, sin pooling) logró el mejor desempeño normalizado por tamaño de objetivo en datos reales, aunque con un costo computacional más alto en comparación con el cuello de multirresolución.

Significancia y Reivindicaciones
El artículo afirma establecer la viabilidad del aprendizaje impulsado por la geometría y con supervisión mínima para el alineamiento plano preciso. Al tratar la homografía como una variable organizadora, el marco permite una localización precisa a partir de una única imagen de referencia. Los autores posicionan este trabajo como la base para la investigación futura en la adquisición de imágenes guiada por navegación, específicamente la segunda fase de su marco que implica la recolección de datos de videos "en el mundo real" no etiquetados para mejorar iterativamente el modelo y permitir la guía de cámara de bucle cerrado. El presente trabajo no pretende resolver todos los problemas de variabilidad del mundo real (como lo demuestra el desempeño superior de SIFT en datos reales), sino demostrar que el alineamiento de alta precisión es alcanzable con supervisión mínima y restricciones geométricas específicas.