正确的RANSAC评分方法

arXiv cs.LG 论文
ransac scoring computer-vision robust-estimation bayesian inlier-scale

摘要

提出了一种新的RANSAC评分函数，该函数通过分析的方法边缘化内点尺度，从而消除了用户提供参数的需求。该方法在包含近70,000个图像对的基准测试上达到了最先进的精度。

arXiv:2606.27385v1 公告类型：新 摘要：最广泛使用的RANSAC变体通过计数内点或累加超过残差阈值时饱和的逐点分数来对候选模型进行评分。每种这样的评分都需要用户提供一个参数，该参数是内点尺度的函数，而内点尺度本身必须从受污染的数据中估计。我们通过颠倒通常的推理顺序来消除这种依赖性：不是先估计尺度再根据其进行评分，而是在固定内点划分下，在共轭逆伽马先验下以闭式分析地边缘化内点尺度，然后优化划分。单一的闭式表达式涵盖了非信息性的Jeffreys极限和信息性经验贝叶斯先验，因此相同的评分在数据丰富和数据稀缺的情况下都能适应，无需对算法进行任何更改。所提出的RANSAC评分是第一个在公式中真正不含内点尺度的评分。该评分通过排序扫描实现O(N log N)的计算复杂度。在一个包含近70,000个图像对的基准测试上，涵盖了不同的双视图估计问题以及工程化和学习的特征管道，所提出的评分超过了当前最先进水平（RANSAC、MSAC、GaU、MAGSAC）：在阈值校准错误导致基线性能下降的情况下，它几乎保持不变；仅需两个验证对即可达到接近最优的精度，而基线需要约100倍以上的验证对；并且在验证数据稀缺时收紧其先验正则化。
查看原文
查看缓存全文

缓存时间: 2026/06/29 05:22 

# RANSAC评分正确做法
来源：https://arxiv.org/abs/2606.27385
查看PDF (https://arxiv.org/pdf/2606.27385)

> 摘要：使用最广泛的RANSAC变体通过计数内点或对超出残差阈值的逐点分数进行求和来对候选模型进行评分。每一种此类分数都需要用户提供一个参数，该参数是内点尺度的函数，而内点尺度本身必须从受污染的数据中估计。我们通过反转通常的推理顺序来消除这种依赖性：不是先估计尺度然后根据其评分，而是在固定内点划分下，利用共轭逆伽马先验以解析闭式形式对内点尺度进行边际化，然后对划分进行优化。一个单一的闭式表达式涵盖了无信息Jeffreys极限和信息性经验贝叶斯先验，因此相同的分数可以在数据丰富和数据稀缺的场景中自适应，而无需对算法进行任何更改。所提出的RANSAC分数是第一个真正使内点尺度从公式中消失的分数。该分数通过排序-扫描实现了O(N log N)的计算。在一个包含近70,000对图像对的基准测试（涵盖不同的两视图估计问题以及工程化和学习的特征管道）中，所提出的分数超越了现有最佳技术（RANSAC, MSAC, GaU, MAGSAC）：在阈值校准错误导致基线性能下降时，该分数几乎保持平稳；从仅需两个验证对就能达到接近最优的精度，而基线方法需要大约100倍以上的验证对；并且随着验证数据变得稀缺，其先验正则化会更加严格。

## 提交历史

来自：James Pritts [查看邮箱 (https://arxiv.org/show-email/9fa40178/2606.27385)] **[v1]** 2026年6月12日，星期五，15:03:30 UTC（199 KB）

相似文章

点态指标误导：多模态逆问题的评估协议

arXiv cs.LG

本文表明，对于具有多模态后验的逆问题，像RMSE和MAE这样的点态指标在结构上具有误导性，因为最优点估计会压缩后验并扭曲谱特征。为此，本文提出了一种三部分评估协议，使用逐事件分布准确性、谱保真度诊断和基于覆盖的校准来应对这些失败。