WildProp: Visual Estimation of Wildlife Body Proportions at Scale

Resumen Técnico: WildProp

Planteamiento del Problema
Las mediciones morfométricas cuantitativas (por ejemplo, proporciones de las dimensiones de extremidades, alas o cabeza) son fundamentales para los estudios ecológicos y evolutivos, informando la macroevolución, el ensamblaje de comunidades y la modelación de ecosistemas. Sin embargo, la obtención de estas mediciones a escala está tradicionalmente limitada por la dependencia del manejo de especímenes físicos o la fotografía controlada con poses estandarizadas y reglas. Estos métodos requieren mucha mano de obra, son disruptivos para la fauna silvestre y, a menudo, generan conjuntos de datos con tamaños de muestra pequeños por especie. Por el contrario, los repositorios de imágenes a gran escala y no restringidos como iNaturalist contienen millones de imágenes que abarcan diversos taxones y geografías, pero no son adecuados para la medición directa debido a la variación de la perspectiva, la articulación, la oclusión, la ambigüedad de escala y la distorsión de la perspectiva.

Metodología
WildProp es un marco de trabajo libre de entrenamiento diseñado para estimar distribuciones de proporciones corporales a nivel poblacional a partir de colecciones de imágenes no restringidas. Replantea la estimación morfométrica como un problema de correspondencia impulsado por la recuperación (retrieval). El proceso opera en tres etapas principales:

1. Recuperación Consciente de la Pose (Pose-Aware Retrieval): Dada una única imagen de referencia anotada por el usuario (consulta/query) con extremos de partes definidos, el sistema recupera imágenes de una colección objetivo (por ejemplo, iNaturalist) que comparten poses similares. Para garantizar la robustez frente al ruido de fondo, el método segmenta el objeto objetivo utilizando SAM2 y Grounding-DINO, eliminando el fondo. Luego, extrae incrustaciones (embeddings) de nivel de parche de DINOv3 para calcular la similitud de coseno para la recuperación, seleccionando las coincidencias superiores (por ejemplo, las 100 mejores).
2. Emparejamiento de Puntos Clave y Consistencia Geométrica: Los extremos de las partes se transfieren de la consulta a las imágenes recuperadas mediante el emparejamiento denso de parches a nivel de puntos clave utilizando características de DINOv3. Para mitigar los errores debidos a partes simétricas o visualmente similares, el sistema aplica una verificación de consistencia geométrica utilizando RANSAC para ajustar una transformación rígida. Las imágenes con excesivas correspondencias atípicas (outliers) son filtradas.
3. Refinamiento Iterativo y Agregación: Para abordar la diversidad visual de la población objetivo, el sistema refina iterativamente los descriptores de los puntos clave promediando las características de las mejores imágenes recuperadas con la consulta original. Tras un número fijo de iteraciones, el sistema calcula las proporciones de longitud de las partes para cada imagen retenida y las agrega para estimar estadísticas a nivel poblacional (media, mediana, varianza).

Contribuciones Clave

• Marco Escalable y Libre de Entrenamiento: WildProp permite la estimación de proporciones corporales para especies arbitrarias y partes del cuerpo definidas por el usuario sin necesidad de entrenamiento por especie o etiquetas de puntos clave específicas para la tarea, apoyándose en modelos fundacionales (DINOv3, SAM2).
• Correspondencia Condicionada por Recuperación: El artículo demuestra que la recuperación selectiva de instancias "aptas para la medición" (cercanas a poses canónicas) y la agregación de sus estadísticas es una alternativa viable para reconstruir la geometría desde vistas arbitrarias o entrenar detectores de puntos clave supervisados.
• Capacidades de Estratificación: El marco permite una estratificación flexible por geografía, estacionalidad y taxonomía al restringir el conjunto de recuperación, lo que permite el análisis de subpoblaciones.

Resultados
Los autores evaluaron WildProp en tres grandes conjuntos de datos morfométricos que abarcan aves (AVONET, Shorebirds) y anfibios (Deep Blue Data), comparando las proporciones de población estimadas con la verdad de campo física.

• Precisión: En diversas tareas de estimación de la relación de longitud de las partes, WildProp logró errores relativos medianos del 10–20%. Por ejemplo, en el conjunto de datos AVONET, el error relativo medio fue del 11.3%.
• Estudios de Ablación:
  • Recuperación Consciente de la Pose: Es esencial para la estabilidad; el emparejamiento de puntos clave en imágenes muestreadas al azar resultó en un error del 216%, mientras que las imágenes recuperadas por pose redujeron este error al 40%.
  • Filtrado Geométrico: La supresión del fondo (SAM) y el filtrado RANSAC redujeron significativamente los errores (del 40% al 12.2%).
  • Refinamiento Iterativo: Proporcionó una mejora modesta pero consistente en la precisión.
  • Variantes del Modelo: Las características de DINOv3 resultaron superiores a los modelos basados en CLIP para la recuperación, y la combinación de DINOv3 con características de Stable Diffusion produjo el mejor rendimiento en el emparejamiento de puntos clave.
• Casos de Estudio: El sistema distinguió con éxito especies a través de diversos taxones (mariposas, flores, ciervos) e identificó variaciones geográficas (por ejemplo, proporciones del pico en subespecies de la aguja/Dunlin) y tendencias estacionales (por ejemplo, el crecimiento de las astas en el corzo occidental).

Significancia y Reivindicaciones
El artículo posiciona a WildProp no como un reemplazo para las mediciones físicas de alta precisión, sino como una herramienta para la generación rápida de hipótesis y el análisis exploratorio. Su principal significancia radica en su capacidad para proporcionar proxies morfométricos escalables para análisis comparativos entre taxones, geografías y estacionalidades cuando las mediciones métricas precisas por individuo no están disponibles o son impracticables.

Los autores reconocen limitaciones, incluyendo:

• Las estimaciones son más ruidosas que las mediciones físicas, lo que limita las aplicaciones de alta precisión.
• La ambigüedad de escala inherente restringe los resultados a proporciones en lugar de longitudes métricas absolutas.
• La dependencia de los datos de ciencia ciudadana introduce posibles sesgos hacia los centros de población humana y los taxones populares.
• El rendimiento depende de la disponibilidad de imágenes en poses adecuadas; las poses raras (por ejemplo, vistas inferiores de aves pequeñas) limitan la aplicabilidad.

En última instancia, el trabajo sugiere que las correspondencias 2D cuidadosamente filtradas sobre imágenes a escala web pueden servir como una vía práctica para estimar estadísticas geométricas poblacionales, cerrando la breancia entre la escala de los datos de ciencia comunitaria y las necesidades de la investigación ecológica.