Una estereocámara portátil estima el volumen de la comida con un error del 9,1% sin objeto de referencia

Los autores del preprint arXiv 2610.12735 proponen estimar el volumen de la comida a partir de una sola grabación estéreo de una cámara wearable. No necesitan un teléfono, una serie de fotos ni una moneda junto al plato para fijar la escala. En cinco platos grabados, el error porcentual absoluto medio del volumen fue del 9,1%. El trabajo se presenta como un paso hacia el registro pasivo de la alimentación: la persona simplemente come y el sistema calcula las raciones por sí solo.

De dónde sale la escala

Los métodos estéreo actuales de estimación de raciones dependen del esfuerzo del usuario. Hay que fotografiar el plato desde varios ángulos con el móvil o colocar en el encuadre un objeto de tamaño conocido; si no, la reconstrucción tiene la forma correcta, pero se desconoce su tamaño. Para una monitorización regular de la dieta, este escenario resulta incómodo: cada comida se convierte en un pequeño trámite.

Los autores aprovechan lo que un dispositivo wearable ya tiene de serie. Primero, la línea de base estéreo está calibrada de fábrica: la distancia entre los objetivos se conoce con exactitud, de modo que la profundidad obtenida a partir de la disparidad se expresa directamente en metros. Segundo, el propio dispositivo estima las poses de la cámara mediante odometría visual-inercial (VIO). Juntos, estos dos elementos dan una escala métrica sin objeto de referencia en la escena y sin ajustes manuales.

Cómo funciona el pipeline

El sistema se ensambla por completo con componentes ya existentes, y ninguno de ellos se entrenó específicamente para comida:

• FoundationStereo: emparejamiento estéreo en modo zero-shot, con mapas de profundidad a partir de un par de fotogramas;
• SAM 2: segmentación del plato para separar la comida del plato y de la mesa;
• Fusión TSDF sobre un conjunto de fotogramas clave: combina los mapas de profundidad en una única malla 3D (mesh).

El resultado es una malla de cualquier alimento del plato a su escala física real, y a partir de ella se calcula el volumen. Los autores subrayan que la reconstrucción es totalmente automática y se genera a partir de una sola grabación estéreo.

Parámetros clave del trabajo:

• entrada: una sola grabación estéreo de un dispositivo wearable egocéntrico;
• escala: línea de base estéreo de fábrica más poses de cámara de la VIO, sin objeto de referencia;
• salida: malla 3D del plato, precisa tanto visual como métricamente;
• muestra: cinco platos;
• error porcentual absoluto medio del volumen: 9,1%.

Lo que aún no está demostrado

Cinco platos son una demostración de viabilidad, no un benchmark. Se trata de un preprint en su primera versión y no ha pasado revisión por pares. El resumen no incluye comparaciones con métodos basados en el móvil ni con enfoques que usan un objeto de referencia, así que no se puede juzgar si el 9,1% es mejor o peor que las alternativas. Tampoco se sabe cómo se comportará el pipeline con salsas transparentes, sopas, platos con oclusiones, con mala iluminación o con movimientos de cabeza durante la comida.

Otra cuestión aparte es qué hacer después con el volumen. Para calcular calorías y nutrientes hacen falta el tipo de plato y su densidad, y eso es otro problema que el método no resuelve. El volumen solo elimina uno de los obstáculos más incómodos: la incertidumbre sobre la ración.

Dónde puede resultar útil

El nicho más evidente son los wearables con cámaras estéreo y VIO integrada, como las gafas inteligentes. Si la calibración de fábrica y las poses están disponibles en la API, un desarrollador de aplicaciones de nutrición podría obtener la geometría métrica del plato sin exigir nada al usuario. Para los investigadores en dietética, este enfoque promete una recogida de datos menos intrusiva que los diarios fotográficos.

Conviene seguir la evolución del trabajo en tres puntos: si aparece una muestra de órdenes de magnitud mayor que cinco platos, si se publican comparaciones directas con métodos que requieren referencia y si los autores demuestran robustez en condiciones reales, y no solo en grabaciones preparadas.