Neural-Guided RANSAC is an improved version of the RANSAC algorithm that is capable of using prior information to optimize an arbitrary task loss during training, achieving superior results compared to state-of-the-art robust estimators in computer vision tasks such as estimation of epipolar geometry, horizon line estimation and camera re-localization.

May, 2019

该研究通过对不同基准和图像模态的大规模评估，表明目前最流行的无监督离群检测方法无法一致地优于基于预训练特征和 Mahalanobis 距离的简单异常检测器，并基于对训练数据集中的不变性的表征提出了一个无监督离群检测的特征描述，该特征被运用在 MahaAD 方法中，解释了其质量，并能用于解释无监督离群检测器的预测并提供未来评估的见解。

Nov, 2021

我们的研究旨在解决零样本外部分布检测问题，并提出了一种名为 RONIN 的方法，它利用商业化的扩散模型替代探测到的对象，并通过预测的内部分布标签对恢复过程进行条件设置，从而有效区分内部分布和外部分布样本。通过大量实验，我们证明 RONIN 在多个数据集和零样本与非零样本设置下取得了与先前方法相媲美的竞争结果。

Feb, 2024

本文研究使用非参数最近邻距离方法进行开放世界中一类重要任务：Out-of-distribution 检测，不同于先前的研究，该方法不施加任何分布假设，因此具有更强的灵活性和普适性，在多个基准测试中证明了其有效性，并且相对强基线的 Mahalanobis 距离方法，显著降低了 24.77% 误报率 (FPR@TPR95)。

Apr, 2022

RANRAC 是一个稳健的重建算法，用于处理被遮挡和分散的图像中的 3D 物体，支持光场网络的单拍重建，并适用于基于神经辐射场的真实世界图像的真实、稳健的多视角重建。

Dec, 2023

本文介绍了一种名为 DSAC 的新算法，它是 RANSAC 的可微分版本，并应用于深度学习与相机定位问题中，通过采用概率选择的做法， DSAC 克服了 RANSAC 在深度学习中无法使用的问题，在相机姿态输出方面显著提高了稳健性。

Nov, 2016

本研究探讨使用基于马氏距离的异常检测器来识别机器学习模型中的样本是否与训练时样本相似，并且通过实验表明，该方法在确定性外部数据的适用性上具有可行性，用于机器学习为基础的距离估计模型在机器人引导下的显微手术过程中可能起到检测数据异常的作用。

Apr, 2023

提出了一种在没有描述性局部特征向量和点配对的情况下，从点集中检索到图像的单应性变换的广义 RANSAC 算法 H-RANSAC，并在每次迭代之前基于随机点对选择的四边形类型（凸形或凹形以及（非）自相交）提出了一种鲁棒准则来拒绝不可信的点选择，并在每次迭代结束时包含了一个类似的事后准则来拒绝不可信的单应性变换，该方法在具有少数点，而且无法获得足够描述性局部特征的图像单应性对齐案例中表现出更好的性能。

Oct, 2023

检测开放环境中机器学习模型的异常样本是至关重要的。通过引入最近邻引导（NNGuide）方法，我们解决了由于边界几何导致的分类器评分过分自信的问题，同时保持了分类器评分的细粒度能力，并在多种设置下，包括 ID 数据自然分布变化的情况下，在 ImageNet 异常检测基准测试中取得了显著的性能提升，达到了 AUROC、FPR95 和 AUPR 指标的最佳结果。

Sep, 2023

提出一种新的测试集 NINCO 以及相应的合成 OOD 单元测试来更准确地评估模型在 Out-of-distribution 检测中的表现，并针对预训练对 OOD 检测性能的影响进行了详细的评估。

Jun, 2023