Resumo Técnico: RANSAC Scoring Done Right (Pontuação RANSAC Feita Corretamente)

1. Definição do Problema

A estrutura padrão do RANSAC (Random Sample Consensus) e suas variantes amplamente utilizadas (MSAC, MLESAC, MAGSAC++) dependem da contagem de inliers ou da soma de erros truncados para pontuar modelos geométricos candidatos. Uma limitação crítica dessas funções de pontuação "baseadas em limiar" é sua dependência de um hiperparâmetro fornecido pelo usuário que está intrinsecamente ligado à escala de ruído dos inliers ($\sigma$).

Na prática, $\sigma$ é desconhecido e deve ser estimado a partir de dados contaminados ou ajustado manualmente. Isso cria um gargalo:

• Sensibilidade à Descalibração: O desempenho degrada-se significativamente se o limiar não for perfeitamente ajustado para a verdadeira escala dos inliers.
• Escassez de Dados: Alcançar um desempenho próximo do ideal frequentemente requer grandes conjuntos de validação para estimar a escala de forma confiável, o que é impraticável em muitos cenários de implantação.
• Falha Estrutural: Tentativas anteriores de "marginalizar" $\sigma$ (por exemplo, MAGSAC++) mostraram-se, na verdade, substituindo $\sigma$ por um proxy de hiperparâmetro em vez de eliminar a dependência, deixando a pontuação ainda vinculada a um quantil da escala dos inliers.

2. Metodologia

Os autores propõem uma nova estrutura de pontuação que elimina genuinamente a escala dos inliers da fórmula de pontuação ao inverter a ordem padrão de inferência.

2.1 Modelo Probabilístico

O método adota o modelo de mistura Gaussiana-Uniforme (GaU) padrão:

• Inliers ($z_i=1$): Seguem uma distribuição Gaussiana com variância $\sigma^2$.
• Outliers ($z_i=0$): Seguem uma distribuição uniforme sobre $[-a, a]$, onde $a$ é a semi-largura do domínio dos outliers (um parâmetro distinto de $\sigma$).

2.2 Invertendo a Ordem de Eliminação

Abordagens padrão (como MLESAC ou MSAC) primeiro eliminam os rótulos latentes de inlier/outlier (via soma ou maximização) e depois lidam com $\sigma$, deixando uma pontuação dependente de $\sigma$.
A abordagem proposta:

1. Fixa a partição de inliers $I$ (o conjunto de inliers).
2. Marginaliza analiticamente $\sigma$ sob uma priori Inverse-Gamma conjugada $\pi(\sigma^2) = IG(\alpha_0, \beta_0)$.
3. Otimiza sobre as partições $I$ para encontrar o melhor modelo.

2.3 A Pontuação Sem Escala (Scale-Free Marginal Score)

Ao integrar $\sigma$, os autores derivam uma pontuação de log-verossimilhança fechada e livre de escala $S(\theta, I)$:
$$S(\theta, I) = \log \Gamma\left(\frac{\nu}{2} + \alpha_0\right) - \left(\frac{\nu}{2} + \alpha_0\right) \log\left(\frac{RSS_I}{2} + \beta_0\right) - \frac{\nu}{2} \log(2\pi) - n_O d_g \log(2a)$$
Onde:

• $\nu = n_I d_g - n_\theta$ são os graus de liberdade efetivos.
• $RSS_I$ é a soma dos quadrados dos resíduos para os inliers.
• $n_O$ é o número de outliers.
• $a$ é a semi-largura do outlier (não um proxy para $\sigma$).

Propriedades Chave da Pontuação:

• Adaptabilidade: A pontuação abrange naturalmente dois regimes baseados nos parâmetros da priori $(\alpha_0, \beta_0)$:
  • Regime Rico em Dados: À medida que $n_I$ cresce, os dados dominam a priori, e a pontuação converge para o limite de Jeffreys (priori não informativa, $\alpha_0, \beta_0 \to 0$), não exigindo dados de validação.
  • Regime Escasso em Dados: Quando as contagens de inliers são baixas, uma priori de Bayes Empírico (ajustada a partir de um pequeno conjunto de validação) regulariza a estimativa da escala, evitando o colapso.
• Eficiência Computacional: A partição ótima é sempre um prefixo dos resíduos ordenados. A pontuação pode ser computada em tempo $O(N \log N)$ usando um algoritmo de ordenação e varredura (sort-and-sweep).

3. Principais Contribuições

1. Primeira Marginalização Genuína: Esta é a primeira pontuação RANSAC onde a escala dos inliers $\sigma$ é analiticamente marginalizada da fórmula, em vez de ser substituída por um hiperparâmetro proxy.
2. Estrutura Unificada: Uma única expressão de forma fechada adapta-se tanto ao regime rico em dados (limite de Jeffreys) quanto ao regime escasso em dados (Bayes Empírico) sem mudanças algorítmicas.
3. Robustez a Hiperparâmetros: A pontuação é estruturalmente desacoplada da escala dos inliers, tornando-a robusta à descalibração da semi-largura do outlier $a$.
4. Eficiência: O método proposto mantém a complexidade $O(N \log N)$ das pontuações padrão baseadas em ordenação.

4. Resultados Experimentais

Os autores avaliaram o método em quase 70.000 pares de imagens em três conjuntos de dados (PhotoTourism, ETH3D, HEB) cobrindo estimativa de homografia, matriz essencial e matriz fundamental, utilizando tanto características engenheiradas (RootSIFT, SIFT) quanto aprendidas (SuperPoint+LightGlue).

4.1 Robustez à Descalibração (Experimento de Perfil)

• Regime Rico em Dados (PhotoTourism, ETH3D): Os métodos propostos (Jeffreys, IG-Robust, IG-MLE) permaneceram quase planos através de uma faixa de dois dígitos de valores de hiperparâmetros. Em contraste, as linhas de base baseadas em limiar (RANSAC, MSAC, GaU, MAGSAC++) mostraram degradação significativa de erro conforme o limiar se desviava do ideal.
• Regime Escasso em Dados (HEB): A variante IG-Robust (usando uma priori ancorada pela mediana) superou as linhas de base e outras variantes ao fornecer a regularização necessária quando as contagens de inliers por par eram baixas ($\approx 10$).

4.2 Sensibilidade ao Tamanho do Conjunto de Validação (Experimento de Sensibilidade)

• Velocidade de Convergência: Os métodos propostos atingiram o erro de teste esperado próximo do ideal com apenas 2 pares de validação.
• Comparação com Linhas de Base: As linhas de base baseadas em limiar exigiram aproximadamente 100$\times$ mais dados de validação ($\approx 1024$ pares) para convergir para níveis de desempenho semelhantes.
• Estabilidade: Os métodos propostos exibiram variância significativamente menor no desempenho de teste entre diferentes pequenos conjuntos de validação em comparação com as linhas de base.

5. Significância e Alegações

O artigo afirma que a pontuação proposta representa uma mudança estrutural na pontuação RANSAC:

• Eliminação da Dependência de Escala: Ao contrário de métodos anteriores onde o hiperparâmetro atua como um "botão de ajuste" para a escala dos inliers, a pontuação proposta permite que os dados ditem a seleção do modelo, com o hiperparâmetro ($a$) apenas calibrando a magnitude da pontuação.
• Implantação Prática: O método permite a implantação próxima do ideal com zero ou pouquíssimos pares de validação com ground-truth, particularmente em cenários ricos em dados onde o limite de Jeffreys não informativo é suficiente.
• Consistência Teórica: O trabalho corrige conceitos errôneos anteriores sobre a marginalização no RANSAC (especificamente em relação ao MAGSAC++) e fornece uma solução de forma fechada teoricamente fundamentada que unifica prioris informativas e não informativas.

Os autores concluem que o gargalo no desempenho do RANSAC não é a escolha da função de pontuação em si, mas a dependência de um quantil da escala dos inliers bem escolhido. Ao remover essa dependência, o método proposto alcança robustez e eficiência de estado da arte.