Riepilogo Tecnico: RANSAC Scoring Done Right

1. Problema

Il framework RANSAC (Random Sample Consensus) standard e le sue varianti ampiamente utilizzate (MSAC, MLESAC, MAGSAC++) si basano sul conteggio degli inlier o sulla somma degli errori troncati per valutare i candidati modelli geometrici. Un limite critico di queste funzioni di scoring basate su "soglia" è la loro dipendenza da un iperparametro fornito dall'utente che è intrinsecamente legato alla scala del rumore degli inlier ($\sigma$).

Nella pratica, $\sigma$ è sconosciuto e deve essere stimato da dati contaminati o regolato manualmente. Ciò crea un collo di bottiglia:

• Sensibilità alla Miscalibrazione: Le prestazioni degradano significativamente se la soglia non è perfettamente calibrata sulla vera scala degli inlier.
• Scarsità di Dati: Raggiungere prestazioni quasi ottimali richiede spesso grandi set di validazione per stimare la scala in modo affidabile, il che è impraticabile in molti scenari di deployment.
• Difetto Strutturale: Si è dimostrato che i precedenti tentativi di "marginalizzare" $\sigma$ (ad esempio, MAGSAC++) hanno effettivamente sostituito $\sigma$ con un parametro proxy invece di eliminare la dipendenza, lasciando lo score ancora legato a un quantile della scala degli inlier.

2. Metodologia

Gli autori propongono un nuovo framework di scoring che elimina genuinamente la scala degli inlier dalla formula di scoring invertendo l'ordine standard di inferenza.

2.1 Modello Probabilistico

Il metodo adotta il classico modello di miscela Gaussiana-Uniforme (GaU):

• Inlier ($z_i=1$): Seguono una distribuzione Gaussiana con varianza $\sigma^2$.
• Outlier ($z_i=0$): Seguono una distribuzione uniforme su $[-a, a]$, dove $a$ è la semi-ampiezza del dominio degli outlier (un parametro distinto da $\sigma$).

2.2 Inversione dell'Ordine di Eliminazione

Gli approcci standard (come MLESAC o MSAC) eliminano prima le etichette latenti inlier/outlier (tramite sommatoria o massimizzazione) e successivamente si occupano di $\sigma$, lasciando uno score dipendente da $\sigma$.
L'approccio proposto:

1. Fissa la partizione degli inlier $I$ (l'insieme degli inlier).
2. Marginalizza analiticamente $\sigma$ sotto una prior Inverse-Gamma coniugata $\pi(\sigma^2) = IG(\alpha_0, \beta_0)$.
3. Ottimizza sulle partizioni $I$ per trovare il miglior modello.

2.3 Lo Score Marginale Indipendente dalla Scala

Integrando $\sigma$, gli autori derivano uno score di log-verosimiglianza chiuso e indipendente dalla scala, $S(\theta, I)$:
$$S(\theta, I) = \log \Gamma\left(\frac{\nu}{2} + \alpha_0\right) - \left(\frac{\nu}{2} + \alpha_0\right) \log\left(\frac{RSS_I}{2} + \beta_0\right) - \frac{\nu}{2} \log(2\pi) - n_O d_g \log(2a)$$
Dove:

• $\nu = n_I d_g - n_\theta$ sono i gradi di libertà effettivi.
• $RSS_I$ è la somma dei quadrati dei residui per gli inlier.
• $n_O$ è il numero di outlier.
• $a$ è la semi-ampiezza degli outlier (non un proxy per $\sigma$).

Proprietà Chiave dello Score:

• Adattività: Lo score spazia naturalmente tra due regimi basati sui parametri della prior $(\alpha_0, \beta_0)$:
  • Regime Ricco di Dati (Data-Rich): Man mano che $n_I$ cresce, i dati dominano la prior, e lo score converge al limite di Jeffreys (prior non informativa, $\alpha_0, \beta_0 \to 0$), non richiedendo dati di validazione.
  • Regime Povero di Dati (Data-Scarce): Quando il conteggio degli inlier è basso, una prior Empirical-Bayes (adattata da un piccolo set di validazione) regolarizza la stima della scala, prevenendo il collasso.
• Efficienza Computazionale: La partizione ottimale è sempre un prefisso dei residui ordinati. Lo score può essere calcolato in tempo $O(N \log N)$ utilizzando un algoritmo di sort-and-sweep (ordinamento e scansione).

3. Contributi Chiave

1. Prima Vera Marginalizzazione: Questo è il primo score RANSAC in cui la scala degli inlier $\sigma$ viene analiticamente marginalizzata dalla formula, anziché essere sostituita da un parametro hyper-parametro proxy.
2. Framework Unificato: Un'unica espressione in forma chiusa si adatta sia ai regimi data-rich che a quelli data-scarce senza cambiamenti algoritmici.
3. Robustezza ai Parametri: Lo score è strutturalmente disaccoppiato dalla scala degli inlier, rendendolo robusto alla miscalibrazione della semi-ampiezza degli outlier $a$.
4. Efficienza: Il metodo proposto mantiene la complessità $O(N \log N)$ dello scoring RANSAC basato su ordinamento standard.

4. Risultati Sperimentali

Gli autori hanno valutato il metodo su quasi 70.000 coppie di immagini attraverso tre dataset (PhotoTourism, ETH3D, HEB) coprendo la stima di omografia, matrice essenziale e matrice fondamentale, utilizzando sia feature ingegnerizzate (RootSIFT, SIFT) che apprese (SuperPoint+LightGlue).

4.1 Robustezza alla Miscalibrazione (Esperimento di Profilo)

• Regime Ricco di Dati (PhotoTourism, ETH3D): I metodi proposti (Jeffreys, IG-Robust, IG-MLE) sono rimasti quasi piatti attraverso un intervallo di due decadi di valori degli iperparametri. Al contrario, i baseline basati su soglia (RANSAC, MSAC, GaU, MAGSAC++) mostrano una degradazione significativa delle prestazioni all'aumentare della deviazione della soglia dall'ottimo.
• Regime Povero di Dati (HEB): La variante IG-Robust (utilizzando una prior ancorata alla mediana) ha superato i baseline e le altre varianti fornendo la necessaria regolarizzazione quando il conteggio degli inlier per coppia era basso ($\approx 10$).

4.2 Sensibilità alla Dimensione del Set di Validazione (Esperimento di Sensibilità)

• Velocità di Convergenza: I metodi proposti hanno raggiunto un errore di test atteso vicino all'ottimo con soli 2 coppie di validazione.
• Confronto con i Baseline: I baseline basati su soglia hanno richiesto circa 100 volte più dati di validazione ($\approx 1024$ coppie) per convergere a livelli di prestazione simili.
• Stabilità: I metodi proposti hanno mostrato una varianza significativamente inferiore nelle prestazioni di test tra diversi piccoli set di validazione rispetto ai baseline.

5. Significato e Rivendicazioni

Il paper sostiene che lo score proposto rappresenti un cambiamento strutturale nello scoring RANSAC:

• Eliminazione della Dipendenza dalla Scala: A differenza dei metodi precedenti in cui l'iperparametro funge da "manopola di regolazione" per la scala degli inlier, lo score proposto permette ai dati di dettare la selezione del modello, con l'iperparametro ($a$) che serve solo a calibrare l'ampiezza dello score.
• Deployment Pratico: Il metodo consente un deployment vicino all'ottimo con zero o pochissime coppie di validazione con ground-truth, specialmente in scenari ricchi di dati dove il limite di Jeffreys non informativo è sufficiente.
• Solidità Teorica: Il lavoro corregge precedenti malintesi sulla marginalizzazione in RANSAC (specificamente riguardo a MAGSAC++) e fornisce una soluzione in forma chiusa teoricamente fondata che unifica le prior informative e non informative.

Gli autori concludono che il collo di bottiglia nelle prestazioni di RANSAC non è la scelta della funzione di scoring in sé, ma la dipendenza da un quantile ben scelto della scala degli inlier. Rimuovendo questa dipendenza, il metodo proposto raggiunge una robustezza e un'efficienza allo stato dell'arte.