Resumo Técnico: Rede de Correspondência de Grafos com Pesagem de Feedback de Confiança para Correspondência de Sítios de Dano Induzido por Laser Online-Offline

1. Definição do Problema

O artigo aborda o desafio crítico de verificar a autenticidade de sítios de dano induzido por laser (LID) detectados em imagens de inspeção online de óptica final em instalações de laser de alta potência (ex: o National Ignition Facility). Enquanto os sistemas online monitoram estados de dano em tempo real, eles frequentemente geram sítios de "pseudo-dano" causados por luz espúria ou poeira, que se assemelham ao dano real. Para distinguir estes, as detecções online devem ser confrontadas com imagens de verdade de campo (ground-truth) offline, adquiridas após a remoção de poeira e supressão de luz espúria.

Esta tarefa de correspondência é significativamente mais difícil do que a correspondência de imagens convencional devido a quatro fatores primários:

1. Características Discriminativas Limitadas: Os sítios de dano frequentemente carecem de textura e informação estrutural local, com sítios grandes sofrendo de superexposição central.
2. Distorções Geométricas Locais: Fatores como imagem inclinada fora do eixo, distorção óptica e aquisição assíncrona (levando ao crescimento ou reparo do dano) causam deslocamentos não uniformes nas coordenadas dos centroides, tornando insuficientes modelos de homografia global única.
3. Distratores Não Correspondentes: Sítios de pseudo-dano e incompatibilidades de aquisição introduzem numerosos nós de um único lado que atuam como distratores.
4. Escassez de Dados: Estratégias operacionais rigorosas limitam o acúmulo de conjuntos de dados pareados online-offline de larga escala.

Métodos existentes, incluindo descritores locais clássicos (SIFT, ORB) e algoritmos de identificação de estrelas, lutam contra a instabilidade de características e distorção geométrica. Embora as Redes Neurais de Grafos (GNNs) ofereçam promessa, modelos padrão frequentemente carecem de mecanismos explícitos para suprimir a propagação de características de sítios distratores não correspondentes durante a agregação, levando a uma redução na precisão.

2. Metodologia: CFW-GMN

Os autores propõem a Rede de Correspondência de Grafos com Pesagem de Feedback de Confiança (CFW-GMN), um framework de aprendizagem profunda que opera exclusivamente em coordenadas de centroides de sítios de dano. A rede utiliza um framework iterativo de três rodadas para refinar progressivamente a confiança da correspondência e suprimir interferências.

Arquitetura Central

O pipeline consiste em seis componentes: construção de grafo, codificação de características, inferência de correspondência baseada em transporte ótimo, estimativa de confiança, formulação de perda e pós-processamento de correspondência.

• Construção de Grafo: O método evita características de aparência instáveis (tons de cinza, textura). Em vez disso, constrói grafos onde os nós representam centroides de danos e as arestas codificam informações geométricas relativas (deslocamento $\Delta x, \Delta y$ e orientação $\theta$).
• Codificação de Características Iterativa: A rede realiza três estágios de codificação de características. Cada estágio inclui Agregação de Característica de Aresta (EFA), codificação posicional e auto e cross-atenção local.
  • Estágio 1 (Pesagem Uniforme): Utiliza pesos uniformes para EFA para estabelecer o contexto geométrico inicial.
  • Estágios 2 e 3 (Pesagem de Confiança): Introduz a inovação central: Pesagem de Confiança de Correspondência. A rede estima um escore de confiança para a probabilidade de cada nó possuir um contraparte real. Este escore é retroalimentado como um peso adaptativo para modular a agregação de características de aresta em rodadas subsequentes.
    • Mecanismo: Nós de alta confiança recebem pesos de agregação maiores, enquanto nós de baixa confiança (prováveis distratores) são penalizados com pesos menores. Isso suprime explicitamente a propagação de interferência de sítios não correspondentes.
• Correção de Consistência Geométrica: Para evitar a superestimação da confiança de nós com estruturas locais ambíguas, uma terceira iteração incorpora uma restrição de consistência geométrica. Usando RANSAC para estimar uma homografia global a partir de correspondências de alta confiança, o sistema calcula erros de reprojeção. Nós que se desviam significativamente da transformação global têm seus escores de confiança corrigidos (reduzidos), garantindo que apenas nós geometricamente consistentes impulsionem a agregação final.
• Codificação Posicional: Para resolver ambiguidades onde diferentes localizações espaciais compartilham estruturas locais semelhantes, o método integra Características de Fourier Aleatórias (RFF) para codificar informações posicionais globais junto com características geométricas locais.
• Inferência de Correspondência: A rede utiliza um algoritmo de transporte ótimo no domínio logarítmico com um mecanismo de "lixeira" (dustbin) para lidar com nós não correspondentes e gerar uma matriz de correspondência suave. Uma estratégia de vizinho mais próximo mútuo com restrição de distância filtra as correspondências finais.

Funções de Perda

O treinamento emprega uma otimização progressiva de dois estágios:

1. Perda Principal ($L_{main}$): Uma perda de log-verossimilhança ponderada combinando supervisão de correspondência verdadeira e supressão de nós não correspondentes.
2. Perda de Mineração de Exemplos Difíceis Locais ($L_{hard}$): Introduzida após um período de aquecimento (warm-up), esta perda impõe uma restrição de margem entre correspondências verdadeiras e seus distratores próximos e estruturalmente similares (negativos difíceis), aumentando a discriminação local.

3. Principais Contribuições

1. Mecanismo de Feedback de Confiança: O artigo introduz um mecanismo iterativo inovador onde a confiança de correspondência, estimada a partir de escores de correspondência, é retroalimentada como um peso de confiabilidade para a agregação de características de aresta. Isso regula explicitamente o fluxo de informação, suprimindo a propagação de distratores e aumentando a discriminabilidade entre grafos.
2. Calibragem de Consistência Geométrica: Uma estratégia de correção é proposta para calibrar estimativas de confiança usando consistência geométrica global (via RANSAC e erro de reprojeção), mitigando erros causados por ambiguidades estruturais locais.
3. Robustez a Características Fracas: Ao depender exclusivamente de coordenadas de centroide e geometria relativa, o método contorna a necessidade de características de textura instáveis, tornando-o adequado para a natureza esparsa e superexposta dos sítios de dano por laser.
4. Mineração de Exemplos Difíceis: A integração de uma perda de mineração de exemplos difíceis locais visa especificamente o desafio de distinguir o dano verdadeiro de sítios de pseudo-dano próximos com configurações geométricas semelhantes.

4. Resultados Experimentais

O método foi avaliado em um conjunto de dados do mundo real (instalação de laser CAEP) e um conjunto de treinamento sintético. Dois conjuntos de teste foram usados: Cena Simplificada (menos distratores) e Cena Complexa (não filtrada, alta interferência).

• Desempenho: Na Cena Complexa, o CFW-GMN alcançou um F1-score de 96,36%, superando significativamente os métodos de linha de base, incluindo descritores tradicionais (ORB, BRISK), algoritmos de identificação de estrelas (Group Match) e GNNs padrão (GCN, GAT, SuperGlue).
• Robustez: O método demonstrou alta estabilidade, com um desvio padrão de F1-score de apenas 0,0237 entre as amostras. A queda de desempenho da Cena Simplificada para a Cena Complexa foi mínima (2,89 pontos percentuais), indicando forte resiliência à interferência.
• Eficiência: O tempo médio de processamento foi de aproximadamente 0,72 segundos por par de imagens, tornando-o adequado para cenários de inspeção rápida.
• Estudos de Ablação: Remover a pesagem de feedback de confiança (módulos iterativos) causou uma queda significativa no desempenho (o F1-score caiu para ~80%), confirmando a necessidade do mecanismo de feedback. Da mesma forma, remover a codificação posicional e a atenção local levou a diminuições substanciais no recall, destacando seu papel na captura de correspondências verdadeiras.

5. Significância e Alegações

O artigo afirma que o CFW-GMN fornece uma solução robusta e eficiente para o problema específico e de alto risco de verificar o dano induzido por laser em instalações de laser de alta potência. Ao modelar explicitamente a supressão da propagação de distratores através de um loop de feedback de confiança, o método supera as limitações das técnicas de supressão implícita existentes.

Os autores enfatizam que sua abordagem alcança correspondência de alta precisão (F1-score de 96,36%) mesmo quando a proporção de sítios interferentes (não correspondentes) é alta (aprox. 56% no conjunto de teste da Cena Complexa). O método é apresentado como uma ferramenta prática que apoia a operação segura a longo prazo de instalações de laser de alta potência, permitindo a avaliação oportuna e precisa do estado de dano, preenchendo a lacuna entre a detecção online e a verdade de campo offline. O trabalho sugere que melhorias futuras podem focar em uma construção de características mais discriminativas, mas o atual framework aborda efetivamente os desafios centrais de características fracas e complexas distorções geométricas neste domínio.