Resumen Técnico: RANSAC Scoring Done Right (Puntuación de RANSAC hecha correctamente)

1. Planteamiento del problema

El marco estándar de RANSAC (Random Sample Consensus) y sus variantes ampliamente utilizadas (MSAC, MLESAC, MAGSAC++) dependen de la cuantificación de modelos geométométricos candidatos mediante el conteo de inliers o la suma de errores truncados. Una limitación crítica de estas funciones de puntuación "basadas en umbrales" es su dependencia de un hiperparámetro suministrado por el usuario que está intrínsecamente vinculado a la escala de ruido de los inliers ($\sigma$).

En la práctica, $\sigma$ es desconocido y debe estimarse a partir de datos contaminados o ajustarse manualmente. Esto crea un cuello de botella:

• Sensibilidad a la descalibración: El rendimiento se degrada significamente si el umbral no está perfectamente ajustado a la escala real de los inliers.
• Escasez de datos: Lograr un rendimiento cercano al óptimo a menudo requiere grandes conjuntos de validación para estimar la escala de manera fiable, lo cual es poco práctico en muchos escenarios de despliegue.
• Falla estructural: Se demostró que los intentos previos de "marginalizar" $\sigma$ (por ejemplo, MAGSAC++) efectivamente reemplazaban $\sigma$ por un hiperparámetro proxy en lugar de eliminar la dependencia, dejando la puntuación aún ligada a un cuantil de la escala de los inliers.

2. Metodología

Los autores proponen un nuevo marco de puntuación que elimina genuinamente la escala de los inliers de la fórmula de puntuación mediante la inversión del orden estándar de inferencia.

2.1 Modelo probabilístico

El método adopta el modelo de mezcla Gaussiana-Uniforme (GaU) estándar:

• Inliers ($z_i=1$): Siguen una distribución Gaussiana con varianza $\sigma^2$.
• Outliers ($z_i=0$): Siguen una distribución uniforme sobre $[-a, a]$, donde $a$ es la semiancho del dominio de los outliers (un parámetro distinto de $\sigma$).

2.2 Reversión del orden de eliminación

Los enfoques estándar (como MLESAC o MSAC) primero eliminan las etiquetas latentes de inlier/outlier (mediante sumatoria o maximización) y luego se ocupan de $\sigma$, dejando una puntuación dependiente de $\sigma$.
El enfoque propuesto:

1. Fija la partición de inliers $I$ (el conjunto de inliers).
2. Marginaliza analíticamente $\sigma$ bajo una distribución previa Inverse-Gamma conjugada $\pi(\sigma^2) = IG(\alpha_0, \beta_0)$.
3. Optimiza sobre las particiones $I$ para encontrar el mejor modelo.

2.3 La puntuación libre de escala (Scale-Free Marginal Score)

Al integrar $\sigma$, los autores derivan una puntuación de log-verosimilitud de forma cerrada y libre de escala $S(\theta, I)$:
$$S(\theta, I) = \log \Gamma\left(\frac{\nu}{2} + \alpha_0\right) - \left(\frac{\nu}{2} + \alpha_0\right) \log\left(\frac{RSS_I}{2} + \beta_0\right) - \frac{\nu}{2} \log(2\pi) - n_O d_g \log(2a)$$
Donde:

• $\nu = n_I d_g - n_\theta$ son los grados de libertad efectivos.
• $RSS_I$ es la suma de cuadrados de los residuos para los inliers.
• $n_O$ es el número de outliers.
• $a$ es el semiancho de los outliers (no es un proxy de $\sigma$).

Propiedades clave de la puntuación:

• Adaptabilidad: La puntuación abarca naturalmente dos regímenes basados en los parámetros de la distribución previa $(\alpha_0, \beta_0)$:
  • Régimen de abundancia de datos: A medida que $n_I$ crece, los datos dominan la distribución previa, y la puntuación converge al límite de Jeffreys (distribución previa no informativa, $\alpha_0, \beta_0 \to 0$), lo que no requiere datos de validación.
  • Régimen de escasez de datos: Cuando los conteos de inliers son bajos, una distribución previa de Bayes empírico (ajustada a partir de un pequeño conjunto de validación) regulariza la estimación de la escala, evitando el colapso.
• Eficiencia computacional: La partición óptima es siempre un prefijo de los residuos ordenados. La puntuación puede computarse en un tiempo de $O(N \log N)$ utilizando un algoritmo de ordenación y barrido (sort-and-sweep).

3. Contribuciones clave

1. Primera marginalización genuina: Este es el primer puntaje de RANSAC donde la escala de inliers $\sigma$ se marginaliza analíticamente de la fórmula, en lugar de ser reemplazada por un hiperparámetro proxy.
2. Marco unificado: Una única expresión de forma cerrada se adapta tanto al régimen de abundancia de datos (límite de Jeffreys) como al de escasez de datos (Bayes empírico) sin cambios algorítmicos.
3. Robustez a los hiperparámetros: La puntuación está estructuralmente desacoplada de la escala de los inliers, lo que la hace robusta a la descalibración del semiancho de los outliers $a$.
4. Eficiencia: El método propuesto mantiene la complejidad $O(N \log N)$ de la puntuación estándar basada en ordenación de RANSAC.

4. Resultados experimentales

Los autores evaluaron el método en casi 70,000 pares de imágenes a través de tres conjuntos de datos (PhotoTourism, ETH3D, HEB) cubriendo la estimación de homografía, matriz esencial y matriz fundamental, utilizando tanto características de ingeniería (RootSIFT, SIFT) como aprendidas (SuperPoint+LightGlue).

4.1 Robustez a la descalibración (Experimento de perfil)

• Régimen de abundancia de datos (PhotoTourism, ETH3D): Los métodos propuestos (Jeffreys, IG-Robust, IG-MLE) se mantuvieron casi planos a través de un rango de dos décadas de valores de hiperparámetros. En contraste, las líneas base basadas en umbrales (RANSAC, MSAC, GaU, MAGSAC++) mostraron una degradación significativa del error a medida que el umbral se desviaba del óptimo.
• Régimen de escasez de datos (HEB): La variante IG-Robust (utilizando una distribución previa anclada a la mediana) superó a las líneas base y a otras variantes al proporcionar la regularización necesaria cuando los conteos de inliers por par eran bajos ($\approx 10$).

4.2 Sensibilidad al tamaño del conjunto de validación (Experimento de sensibilidad)

• Velocidad de convergencia: Los métodos propuestos alcanzaron un error de prueba esperado cercano al óptimo con tan solo 2 pares de validación.
• Comparación con líneas base: Las líneas base basadas en umbrales requirieron aproximadamente 100$\times$ más datos de validación ($\approx 1024$ pares) para converger a niveles de rendimiento similares.
• Estabilidad: Los métodos propuestos exhibieron una varianza significativamente menor en el rendimiento de prueba a través de diferentes conjuntos de validación pequeños en comparación con las líneas base.

5. Significado y afirmaciones

El artículo afirma que el método propuesto representa un cambio estructural en la puntuación de RANSAC:

• Eliminación de la dependencia de la escala: A diferencia de los métodos anteriores donde el hiperparámetro actúa como un "dial de ajuste" para la escala de inliers, la puntuación propuesta permite que los datos dicten la selección del modelo, siendo el hiperparámetro ($a$) solo un calibrador de la magnitud de la puntuación.
• Despliegue práctico: El método permite un despliegue cercano al óptimo con cero o muy pocos pares de validación con verdad de campo (ground-truth), particularmente en escenarios de abundancia de datos donde el límite de Jeffreys no informativo es suficiente.
• Solidez teórica: El trabajo corrige conceptos erróneos previos sobre la marginalización en RANSAC (específicamente respecto a MAGSAC++) y proporciona una solución de forma cerrada teóricamente fundamentada que unifica distribuciones previas informativas y no informativas.

Los autores concluyen que el cuello de botella en el rendimiento de RANSAC no es la elección de la función de puntuación per se, sino la dependencia de un cuantil de la escala de inliers bien elegido. Al eliminar esta dependencia, el método propuesto logra una robustez y eficiencia de vanguardia.