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
本文提出了一种高效的确定性优化算法，以增加一组解的最大一致性，该算法将每个迭代的更新公式化为双凸编程实例，并使用新颖的双凸优化算法高效求解。
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
本研究提出了一个开源基准套件，对最大独立集问题进行了深入分析，结果表明现有的机器学习算法未能学习最优解的结构，算法技术仍是获得有效解决方案的关键。
Jan, 2022
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。
用采样方法改进蒙特卡洛树搜索来实现全局非凸函数优化，避免传统分区树方法在高维情况下指数级增长的树规模，通过利用数值上估计的目标不确定性指标、采样估计的一阶和二阶信息，并且避免传统固定组合模式，快速高效地发现有潜力的区域，有效平衡探索与开发。在高维非凸优化测试中与其他方法进行了对比，并分析了超参数的影响。
Jan, 2024
本文提出了一种基于全局优化的稳健方法，来解决基于地图的视觉惯性定位中的共识最大化问题，该问题的主要挑战是在变化环境下存在外点，该方法可以在高百分比的外点存在时仍实现确定性全局收敛。
Feb, 2020
这篇研究论文提出了一种基于树搜索的无导数优化方法，借助机器学习模型逐步逼近全局最优解，有效解决高维复杂系统的优化问题，在各种基准函数上实现了高达 2000 维的全局最优收敛，比已有方法快 10 到 20 倍，具有广泛的应用性，可用于材料、物理和生物等领域，超越了现有算法，实现高效自主知识发现和虚拟实验室的自动化。
Apr, 2024
本文介绍了一种统一的收敛信息传递算法，称为 tree-consistency bound optimization (TCBO), 它可以在变分推理问题的 sum 和 max product forms 中都被证明是收敛的，并且将已有的算法中的极大化和求和进行交换后，可以获得新的收敛算法，特别是当树是单调链时，Wainwright 的非收敛 sum-product 算法实际上是收敛的。
May, 2012