WildProp：大规模野生动物身体比例的视觉估计

群体水平的形态测量支持生态和进化研究，但传统上需要受控成像或物理样本处理，限制了可扩展性。我们提出了 WildProp，这是一个 无需训练 框架，可以直接从大规模、无约束的图像存储库估计野生动物的身体比例分布。我们将形态估计视为检索驱动的对应问题：给定单个用户注释的规范图像，WildProp 使用基础模型特征执行姿势感知检索，通过密集补丁级匹配传输部分端点，使用几何一致性过滤预测，并聚合检索图像的测量值以估计总体水平比率分布。与受监督的关键点管道不同，我们的方法适用于任意物种和用户定义的部分，无需针对每个物种进行训练。对涵盖鸟类和两栖动物的三个大型形态测量数据集的评估显示，中值相对误差为 10-20%。我们通过一些案例研究进一步强调了我们的方法的广泛适用性，这些案例研究测量了不同类群（包括鸟类、青蛙、昆虫和花卉）的不同比例。消融表明姿势感知检索对于稳定估计至关重要，而稳健的聚合可以减轻关键点和姿势噪声。我们的结果表明，在网络规模图像上精心策划的二维对应可以为跨类群、地理和季节性的比较和亚组分析提供可扩展的形态测量代理。