本研究探讨了计算机视觉中强健模型拟合算法的一个主要范式：共识最大化，并就其可解性进行了理论分析，结果显示该问题基本上是不可解的。

Feb, 2018

本论文通过使用基于整数规划的图形中的测量规则对无模型分析的一致性极大化进行了阐述，并提供了一种用于消除离群值三维对应并实现优于现有技术水平的性能的方法，包括对三维模板进行图像匹配的类似公式的导出。

Jul, 2018

通过对残差数据进行迭代重新加权算法的分析，提出了一种平滑的代理函数，该函数的最小化导致一个极其简单的最大共识迭代加权算法。我们证明了我们的算法在许多情况下非常高效，并产生全局解，从而成为随机方法和全局优化器的一个有吸引力的替代方法.

Mar, 2018

本文提出了一种新的技术，通过使用高效的区间刺穿技术，在每个 Bound 计算中全局最优地解决剩下一个自由度，从而在三个基本几何计算机视觉问题中（相机定位、相对相机姿态估计和点集配准），将异议最大化算法的速度提高了两个数量级。

Apr, 2023

本文介绍了一种适用于计算机视觉领域的一种基于 Monotone Boolean Function 的共识最大化算法，该算法能够在大量噪音或误差数据的情况下，快速生成近乎最优的解决方案。

Mar, 2021

本文提出了一种称为双协调松弛的方法，将半定规划问题转化为特定的双协调优化问题，并通过高效的交替最小化法求解。该方法在计算机视觉中的应用包括分割、共分割和流形度量学习，相对于现有方法，性能高达 35 倍，同时处理范围更广的半定规划问题。

May, 2016

利用现有的数值计算代数几何理论中的多项式优化问题，提出了一种通用的非最小化求解器，并将其应用于三维视觉中的非最小问题和一致性最大化问题，结果显示这种方法的结果与现有的方法相比非常有竞争力并且容易实现。

Sep, 2019

本文针对在计算机视觉中的鲁棒拟合策略 —— 全局最大值求解的问题，提出了两种新的加速策略：避免冗余路径的加速策略和对新的枝剪枝策略。实验证明，这两种新技术可以极大地加速 A * 树搜索，使其在过去几乎无法实现的一些输入上具有合理的效率。

Aug, 2019

本文提出了一种可扩展的随机主化最小化方案，能够应对大规模或可能无限的数据集，解决凸优化问题，并开发了几种基于此框架的有效算法，包括一个新的随机近端梯度方法，用于大规模 l1 逻辑回归的非凸稀疏估计的在线 DC 编程算法和解决大规模结构矩阵分解问题的有效性。

Jun, 2013

本研究提出分布式算法，可用于在具有时间变化连接性的网络上，将多个代理的估计与特定值对齐，并着重研究约束问题的实现与收敛性分析。该算法可用于处理一致性问题或优化问题，其中全局目标函数为局部客体函数的组合。最终，该算法表现出了良好的收敛率与收敛效果。

Feb, 2008