Optimization of Monodepth2-Based Monocular Vision Measurement Method Using Prior Geometric Features and Semantic Segmentation

Resumen Técnico: Optimización de la Medición de Visión Monocular Basada en Monodepth2

Planteamiento del Problema
Los sistemas de visión monocular ofrecen ventajas significativas en términos de costo y simplicidad para la medición espacial a gran escala, pero sufren de una pérdida irreversible de la información de profundidad durante la formación de imágenes en 2D. Los métodos existentes de estimación de profundidad monocular basados en aprendizaje profundo, particularmente los enfoques no supervisados como Monodepth2, enfrentan tres limitaciones críticas en aplicaciones prácticas:

1. Inconsistencia de Escala: La estimación de profundidad global suele carecer de referencias de profundidad absoluta, lo que conduce a la ambigüedad de escala y a errores acumulativos.
2. Suavizado de Detalles: Las características geométricas locales, como los bordes y contornos de los objetos, son propensas al suavizado, lo que dificulta la recuperación de información estructural fina.
3. Confusión entre Primer Plano y Fondo: Los métodos estándar tienen dificultades para utilizar restricciones geométricas específicas del objetivo para optimizar adaptativamente los mapas de profundidad, lo que a menudo resulta en errores donde los objetos objetivo se confunden con el fondo.

Aunque estudios previos han intentado incorporar prioridades geométricas, frecuentemente dependen de plantillas rígidas o suposiciones simplificadas que carecen de la flexibilidad para modelar dinámicamente las características complejas de los contornos.

Metodología
El artículo propone un marco híbrido que integra la segmentación semántica y las restricciones de características geométricas previas en el flujo de aprendizaje no supervisado de Monodepth2. La metodología consta de tres etapas principales:

1. Base de Profundidad Global (Monodepth2):
   El sistema utiliza el marco de trabajo Monodepth2, el cual emplea una estrategia de aprendizaje autosupervisado basada en restricciones de reconstrucción de imagen. Utiliza una arquitectura de codificador-decodificador (basada en ResNet) para generar mapas de profundidad iniciales sin requerir etiquetas de profundidad de verdad de campo (ground-truth) densas. Esto establece una representación espacial base.

2. Extracción de ROI Guiada por Semántica:
   Para abordar la confusión entre primer plano y fondo, el método emplea una arquitectura UNet++ para la segmentación semántica de la imagen. Este módulo aísla la Región de Interés (ROI) —específicamente componentes de concreto prefabricado— del fondo. Al centrar la estimación de profundidad en la ROI segmentada, el sistema preserva los detalles locales y reduce los errores causados por elementos irrelevantes de la escena.

3. Corrección de Características Geométricas Previas:
   Se introduce un módulo de corrección de peso fijo para rectificar los mapas de profundidad estimados utilizando restricciones geométricas conocidas.

• Modelado Geométrico: La superficie objetivo se modela como un rectángulo ideal con dimensiones físicas conocidas ($W$ y $H$).
• Transformación de Perspectiva: El sistema mapea el cuadrilátero estimado en la imagen de vuelta a un rectángulo estándar mediante una transformación de perspectiva.
• Modelado de Error: Se asume que los errores de estimación de profundidad crecen linealmente con la distancia. Un coeficiente de corrección ($k$) se calcula mediante el ajuste de mínimos cuadrados para minimizar la desviación entre las dimensiones de píxeles estimadas y las dimensiones físicas conocidas.
• Partición de Rejilla: Para manejar la distribución no uniforme del error, la ROI se divide en una rejilla (por ejemplo, $36 \times 30$). Los coeficientes de corrección se calculan individualmente para cada celda de la rejilla, permitiendo una regularización espacial localizada sin la complejidad computacional del ajuste de peso dinámico.

Contribuciones Clave

• Integración de Prioridades Semánticas y Geométricas: El artículo introduce un enfoque de optimización colaborativa que combina la segmentación semántica para la localización de la ROI con la corrección geométrica de peso fijo para el refinamiento de la profundidad.
• Estrategia de Corrección de Peso Fijo: A diferencia de los métodos que requieren un ajuste de peso dinámico o plantillas rígidas, este enfoque utiliza una corrección de peso fijo computacionalmente eficiente basada en el modelado geométrico explícito (por ejemplo, la simetría y las dimensiones conocidas de los componentes de concreto).
• Refinamiento Local Basado en Rejilla: La implementación de una estrategia de partición de rejilla multiescala permite mitigar la inconsistencia de escala en la estimación global, preservando al mismo tiempo los detalles geométricos locales.

Resultados Experimentales
El método fue validado utilizando una configuración que involucró una cámara de profundidad Intel RealSense D415 (para la obtención de la verdad de campo y RGB) y una cámara de smartphone (simulando la entrada monocular). Los experimentos se realizaron en especímenes de concreto estándar bajo diversas condiciones operativas.

• Mejora de la Precisión: Bajo una configuración de partición de rejilla de $36 \times 30$, el método propuesto logró un Error Absoluto Medio (MAE) de 0.0071 y un Error Cuadrático Medio (RMSE) de 0.0096.
• Comparación: Estos resultados representan una mejora de más del 96% en comparación con los métodos convencionales (MAE base: 0.2416; RMSE: 0.2678).
• Robustez: El método demostró una precisión submilimétrica en pruebas de interior. Mantuvo tasas de error bajas en diferentes condiciones operativas, incluyendo escenarios con múltiples objetos independientes y fondos complejos, superando a los métodos tradicionales de ajuste de plano (Plano Normal Medio, Mínimos Cuadrados y RANSAC).
• Sensibilidad de la Rejilla: Los experimentos mostraron que aumentar la densidad de la rejilla (de $12 \times 10$ a $60 \times 50$) reducía progresivamente los errores de corrección, validando la efectividad de las particiones de rejilla más finas para la optimización de detalles locales.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un nuevo paradigma para aplicaciones cuantitativas en escenarios de construcción, específicamente para la medición de componentes de concreto prefabricado. Al lograr una precisión submilimétrica bajo condiciones de monocular de una sola imagen, el método ofrece una solución robusta para la construcción inteligente y la metrología industrial.

El estudio reconoce las limitaciones actuales, señalando que el método ha sido validado principalmente en objetos planos y puede enfrentar desafíos con geometrías curvas o irregulares. Además, la precisión de la extracción de la ROI sigue dependiendo de la precisión de los límites de la segmentación semántica. Se propone como trabajo futuro extender la verificación a geometrías complejas y explorar la fusión de LiDAR y visión para una mayor robustez.