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

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

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

利用神经网络估算 2D 图像与已知 3D 环境之间的对应关系，并使用 Robust Estimator 来拟合 6D 相机姿态，同时采用 MoE 和 ESAC 策略提高对数据中异常点和问题域的鲁棒性。

Aug, 2019

在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

Nov, 2021

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

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

本文介绍了一种机器学习算法 NeFSAC，该算法可提高 RANSAC 算法的速度和准确性，特别是在姿态估计中。作者证明该算法在多个现实世界的数据集上性能优于传统的基于 RANSAC 的方法，并提供源代码。

Jul, 2022

通过引入注意机制和一步变压器，我们提出了一种新的 RANSAC 框架，其学习通过考虑迄今为止观察到的残差来探索参数空间，并在实验中表现出了显著的性能提升和良好的泛化性能。

Jul, 2023

基于改进的实例分割架构的实时平面重建模型 SoloPlanes，同时预测每个平面实例的语义、平面参数和分段平面实例掩码，通过提供特征空间中的多视角指导，在单张图像推理时同时预测语义，并以 43 帧每秒的实时预测效果。

Nov, 2023