RANSAC 评分正确

arXiv:2606.27385v1 公告类型：新摘要：最广泛使用的 RANSAC 变体通过计算内点或对超出残差阈值饱和的每点分数进行求和来对候选模型进行评分。每个这样的分数都需要一个用户提供的参数，该参数是内部尺度的函数，该参数本身必须根据受污染的数据进行估计。我们通过反转通常的推理顺序来消除这种依赖性：我们不是估计尺度然后对其进行评分，而是在固定内点分区的共轭逆伽玛先验下以封闭形式分析边缘化内点尺度，然后对分区进行优化。单个封闭式表达式跨越了非信息性杰弗里极限和信息性经验贝叶斯先验，因此相同的分数可以适应数据丰富和数据稀缺的情况，而无需对算法进行任何更改。提议的 RANSAC 分数是第一个公式中真正不存在内点尺度的分数。该分数允许通过排序和扫描进行 O(N log N ) 计算。在涵盖不同双视图估计问题以及工程和学习特征管道的近 70,000 个图像对的基准上，所提出的分数超过了最先进的水平（RANSAC、MSAC、GaU、MAGSAC）：在基线退化的阈值误校准下，它几乎保持平坦，从少至两个验证对即可达到近乎最佳的精度，而基线需要 100 倍以上的数量级。并随着验证数据变得稀缺而加强其先前的正则化。