WildProp: Visual Estimation of Wildlife Body Proportions at Scale

Resumo Técnico: WildProp

Problema
Medições morfométricas quantitativas (ex: proporções de membros, asas ou dimensões da cabeça) são fundamentais para estudos ecológicos e evolutivos, informando a macroevolução, a montagem de comunidades e a modelagem de ecossistemas. No entanto, a aquisição dessas medições em escala é tradicionalmente limitada pela dependência do manuseio de espécimes físicos ou fotografia controlada com poses padronizadas e réguas. Esses métodos são intensivos em mão de obra, disruptivos para a vida selvagem e frequentemente resultam em conjuntos de dados com pequenos tamanhos de amostra por espécie. Por outroْ, repositórios de imagens em larga escala e não restringidos, como o iNaturalist, contêm milhões de imagens abrangendo diversos táxons e geografias, mas são inadequados para medição direta devido à variação de viewpoint, articulação, oclusão, ambiguidade de escala e distorção de perspectiva.

Metodologia
O WildProp é um framework livre de treinamento (training-free) projetado para estimar distribuições de proporções corporais em nível populacional a partir de coleções de imagens não restringidas. Ele reformula a estimativa morfométrica como um problema de correspondência impulsionado por recuperação (retrieval-driven correspondence). O pipeline opera em três estágios principais:

1. Recuperação Consciente de Pose (Pose-Aware Retrieval): Dada uma única imagem de referência anotada pelo usuário (query) com pontos terminais de partes definidas, o sistema recupera imagens de uma coleção alvo (ex: iNaturalist) que compartilham poses semelhantes. Para garantir robustez contra ruído de fundo, o método segmenta o objeto alvo usando SAM2 e Grounding-DINO, zerando o fundo. Em seguida, extrai embeddings de nível de patch via DINOv3 para computar a similaridade de cosseno para a recuperação, selecionando as melhores correspondências (ex: top 100).
2. Correspondência de Keypoints e Consistência Geométrica: Os pontos terminais das partes são transferidos da imagem de consulta para as imagens recuperadas via correspondência densa de nível de patch usando recursos do DINOv3. Para mitigar erros decorrentes de partes simétricas ou visualmente semelhantes, o sistema aplica uma verificação de consistência geométrica usando RANSAC para ajustar uma transformação rígida. Imagens com excesso de correspondências discrepantes (outliers) são filtradas.
3. Refinamento Iterativo e Agregação: Para lidar com a diversidade visual da população alvo, o sistema refina iterativamente os descritores de keypoints através da média de características das principais imagens recuperadas com a query original. Após um número fixo de iterações, o sistema calcula as razões de comprimento de partes para cada imagem retida e as agrega para estimar estatísticas de nível populacional (média, mediana, variância).

Principais Contribuições

• Framework Escalável e Livre de Treinamento: O WildProp permite a estimação de proporções corporais para táxons arbitrários e partes do corpo definidas pelo usuário sem necessidade de treinamento por espécie ou rótulos de keypoints específicos para a tarefa, baseando-se em vez disso em recursos de modelos de fundação (DINOv3, SAM2).
• Correspondência Condicionada por Recuperação: O artigo demonstra que a recuperação seletiva de instâncias "amigáveis à medição" (poses próximas do canônico) e a agregação de suas estatísticas é uma alternativa viável à reconstrução de geometria a partir de vistas arbitrárias ou ao treinamento de detectores de keypoints supervisionados.
• Capacidades de Estratificação: O framework suporta estratificação flexível por geografia, sazonalidade e taxonomia ao restringir o conjunto de recuperação, permitindo a análise de subpopulações.

Resultados
Os autores avaliaram o WildProp em três grandes conjuntos de dados morfométricos abrangendo aves (AVONET, Shorebirds) e anfíbios (Deep Blue Data), comparando as proporções estimadas contra a verdade de campo física.

• Acurácia: Em várias tarefas de estimativa de razão de comprimento de partes, o WildProp alcançou erros relativos medianos de 10–20%. Por exemplo, no conjunto de dados AVONET, o erro relativo médio foi de 11,3%.
• Estudos de Ablação:
  • Recuperação Consciente de Pose: Essencial para estabilidade; a correspondência de keypoints em imagens amostradas aleatoriamente resultou em um erro de 216%, enquanto imagens recuperadas por pose reduziram isso para 40%.
  • Filtragem Geométrica: A supressão de fundo (SAM) e a filtragem RANSAC reduziram significamente os erros (de 40% para 12,2%).
  • Refinamento Iterativo: Proporcionou uma melhoria modesta, porém consistente, na acurácia.
  • Variantes de Modelo: Os recursos do DINOv3 mostraram-se superiores aos modelos baseados em CLIP para recuperação, e a combinação de DINOv3 com recursos do Stable Diffusion rendeu o melhor desempenho de correspondência de keypoints.
• Estudos de Caso: O sistema distinguiu com sucesso espécies através de diversos táxons (borboletas, flores, veados) e identificou variações geográficas (ex: proporções de bico em subespécies de Dunlin) e tendências sazonais (ex: crescimento de galhadas em Western Roe Deer).

Significância e Alegações
O artigo posiciona o WildProp não como um substituto para medições físicas de alta precisão, mas como uma ferramenta para geração rápida de hipóteses e análise exploratória. Sua principal significância reside na capacidade de fornecer proxies morfométricos escaláveis para análises comparativas entre táxons, geografia e sazonalidade quando medições individuais precisas não estão disponíveis ou são impraticáveis.

Os autores reconhecem limitações, incluindo:

• As estimativas são mais ruidosas que as medições físicas, limitando aplicações de alta precisão.
• A ambiguidade de escala inerente restringe as saídas a proporções, em vez de comprimentos métricos absolutos.
• A dependência de dados de ciência cidadã introduz potenciais vieses em direção a centros populacionais humanos e táxons populares.
• O desempenho é contingente à disponibilidade de imagens em poses adequadas; poses raras (ex: vistas inferiores de pequenos pássaros) limitam a aplicabilidade.

Em última análise, o trabalho sugere que correspondências 2D cuidadosamente filtradas sobre imagens de escala web podem servir como um caminho prático para estimar estatísticas geométricas populacionais, preenchendo a lacuna entre a escala dos dados de ciência comunitária e as necessidades da pesquisa ecológica.