本文提出了一种强大的估计器，可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略，利用先前检测到的模型进行神经网络传递学习，并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集，该方法在消失点估计方面表现优异，并在多透视图下表现出优越性能。

Jan, 2020

RLSAC 是一个采用强化学习增强的样本一致性框架，利用数据和记忆特征指导采样下一个最小集合的探索方向，通过无监督训练以下游任务的反馈作为奖励，从而避免了区分学习特征和下游任务的反馈，能逐渐探索出更好的假设。

Aug, 2023

提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问题。

Feb, 2018

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

该研究提出了对 IRLS 鲁棒回归问题的全球模型恢复结果，建议加强基本 IRLS 例程，提供全球恢复的保证，可更好地抵御基本回归任务和应用任务的超参数错误，使用加权强凸和平稳性的新概念来理论分析。

Jun, 2020

该研究提出了一种适用于 RANSAC 的自适应采样方法，利用动态贝叶斯网络来更新数据点的内点得分，并采用加权采样和新的停止准则来提高算法的计算效率和准确性。

Sep, 2023

我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。

Jan, 2024

在两视相对估计中，本文介绍了一种基于最近的仅位姿成像几何来通过适当的重新加权过滤异常值的线性相对姿态估计算法，该算法能够处理平面退化场景，在存在高比例异常值的情况下提高鲁棒性和准确性，通过将线性全局平移约束嵌入迭代重新加权最小二乘 (IRLS) 和 RANSAC 的策略中来实现鲁棒异常值去除，Strecha 数据集的仿真和实际测试表明，该算法在面对高达 80% 的异常值时实现了 2 到 10 倍的相对旋转准确性改进。

Jan, 2024

该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

Mar, 2022

该论文提出了一种称为 sigma-consensus 的方法，用于消除 RANSAC 中需要一个用户定义的内点外点阈值的需要。该方法通过边缘化一系列噪声比例来估计噪声 sigma，并基于所有可能是内点的点的似然性 sigma 的边缘化进行加权最小二乘拟合来优化模型。使用 sigma-consensus，提出了 MAGSAC 方法，无需用户定义 sigma，并显著提高了鲁棒估计的几何精度，优于公开可用的实际数据集上的最新技术，如基线和单应性估计。此外，将 sigma-consensus 仅作为后处理步骤应用于 RANSAC 输出时，始终可以提高广泛的视觉问题的模型质量，几乎不会影响处理时间。

Mar, 2018