Se han logrado grandes avances en la unión de imágenes retinianas de alta calidad en los últimos años. Por otro lado, se han realizado muy pocos estudios sobre la imagenología retiniana de baja resolución. Este trabajo investiga los desafíos de las imágenes retinianas de baja resolución obtenidas mediante la cámara de fondo D-EYE basada en smartphone. El método propuesto utiliza la estimación de homografía para registrar y unir imágenes retinianas de baja calidad en un mosaico cohesivo. Primero, una red neuronal siamés extrae características de un par de imágenes, después de lo cual se calcula la correlación de sus mapas de características. Este mapa de correlación se alimenta a través de cuatro CNN independientes para estimar los parámetros de homografía, cada una especializada en diferentes coordenadas de esquina. Nuestro modelo fue entrenado en un conjunto de datos sintético generado a partir del conjunto de datos Microsoft Common Objects in Context (MSCOCO); este trabajo añadió una importante fase de aumento de datos para mejorar la calidad del modelo. Luego, se evalúa lo mismo en los conjuntos de datos FIRE retina y D-EYE para medir el rendimiento utilizando la Relación de Señal a Ruido Pico (PSNR) y el Índice de Similitud Estructural (SSIM). Los resultados obtenidos son prometedores: el PSNR promedio fue de 26.14 dB, con un SSIM de 0.96 en el conjunto de datos D-EYE. En comparación con el método que utiliza una sola red neuronal para los cálculos de homografía, nuestro enfoque mejora el PSNR en 7.96 dB y logra un puntaje SSIM un 7.86% más alto.