- 基于姿态纯图像几何的线性相对姿态估计
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 (IRL - KDD自适应梯度基础离群值去除的噪声标签学习
提出了一种新的自适应基于梯度的异常点去除方法 AGRA，通过比较批量样本的聚合梯度和单个样本梯度，动态决定是否剔除数据集中的异常点。在多个数据集上进行广泛评估，证明了 AGRA 的有效性，同时全面的结果分析支持了初步的假设：永久性的硬异常点 - AAAI学习二阶注意力上下文，以实现高效的对应剪枝
本文提出了一种基于二阶关注上下文的出色的、高效的对应关系修剪方法，可以在维持效率的同时确保有效性。通过实验证明，与现有工作相比，我们的方法具有更好的去除异常值的效果，并可以获得 14 倍的加速比。
- CVPR6D 多目标姿态估计的耦合迭代优化
提出了一种基于几何知识的端到端可微建构的方法，通过 BD-PnP 优化问题迭代地细化姿态估计和对应关系，并动态地删除离群值以提高准确性，从而在标准的 6D 物体姿态基准测试上实现了最新的准确性。
- FN-Net: 通过滤除噪声去除异常值
本文提出了一种卷积神经网络来过滤杂点，输出特征点对是内点的概率并回归表示相机相对姿态的本质矩阵，实验结果表明我们的方法在相对姿态估计方面优于现有技术。
- 迭代分类增强短文本聚类
本文提出了一种基于迭代分类的短文本聚类方法，该方法通过离群值去除、分类算法训练和重新聚类等操作，使得短文本聚类的准确性得到了显著提升。实验结果表明，相对于其他聚类方法和现有的短文本聚类方法，该方法在多个短文本数据集上的聚类效果更好。
- 自适应硬阈值近似最优一致鲁棒回归
通过使用硬阈值化的新颖变体，本文提出了一种快速的鲁棒估计器，可以有效地解决使用响应变量损坏的鲁棒线性回归问题，并通过应用于不同的扰动模型，展示了其估计能力的稳健性。
- ECCV非刚性形状的无模型一致性最大化
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。
- 点云对齐的确保异常值移除与对应
本文介绍了一种名为 “保证异常值去除” 的预处理方法，该方法使用纯几何操作将输入点云的异常值数量显著减少，以便更快地执行进一步的优化，并保留全局最优解。
- 球形高斯混合物的列表可解鲁棒均值估计与学习
使用多项式技术来移除高维数据集中的异常值，同时提出了非常有效的算法，大大改进了高斯均值估计和学习混合球形高斯问题的保障性能。
- NIPS数据毒化攻击的认证防御
对使用用户提供数据训练的机器学习系统进行的数据毒化攻击问题进行了探讨，构建了数据异常移除后采用经验风险最小化的防御方法下的攻击损失上限并给出了攻击方法，检验了在 MNIST-1-7，Dogfish 数据集上其防御能力较强，而在 IMDB 情 - CVPR利用全局图像上下文检测非曼哈顿世界中的消失点
本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法，利用深度卷积网络提取全局图像上下文，并逆转现有方法的先后顺序，通过提出一组地平线候选者并针对其包含的消失点对其进行打分，而非先找到候选消失点再通过强制互相正交来消除异常值。我们在 - CVPR自我矛盾用于学习立体视觉中的置信度测量
提出了一种基于立体图像和深度图像的新方法，用于产生训练数据，以用于学习置信度测量，以提高异常值去除和在立体视觉中的质量改进。该方法可在完全自动化方式下生成大量的训练数据，并且在 KITTI2012 数据集上得到了证明。