- 快速且可解释的 2D 单应矩阵分解：相似 - 内核 - 相似与仿射 - 核心 - 仿射转换
本文介绍了两种快速且可解释的 2D 单应性分解方法：相似核相似（SKS）和仿射核仿射（ACA）。SKS 和 ACA 可以通过输入坐标的多项式（从 7 阶到 9 阶）来表示单应性的每个元素，提供了几何参数化和计算效率的优势，并以统一的方式计算 - 一种加速视觉 SLAM 的错误匹配排除方法
通过将 GMS（基于网格的运动统计）与 RANSAC（随机抽样一致性）结合，加速了 Visual SLAM 方法，提高了特征匹配的准确性，从而减少了系统的实时性能影响。
- 基于基础矩阵的焦距稳健自校准
在几何计算机视觉中，给定基础矩阵的两个摄像机自标定问题是一种基本问题。本文提出了一种有效且鲁棒的迭代方法，利用基础矩阵和相机参数的先验估计，估计摄像机的焦距和主点，并且研究了基于 RANSAC 的模型检查方法，有效提高了估计模型的准确性和计 - 共识自适应 RANSAC
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。
- KVN：具有可微分 RANSAC 的关键点投票网络用于立体姿态估计
本文介绍了一种使用可微分 RANSAC 层和基于不确定性的多视图 PnP 求解器对基于立体图像的物体姿态估计问题进行解决的方法，并在公开数据集上进行了评估，取得了与其他最近方法相比的最新结果。
- CVPRR²Former: 基于 Transformer 的统一检索与重排序模型在地点识别中的应用
本研究提出了一个统一的地点识别框架，使用名为 R^2Former 的新型 Transformer 模型，该模型处理检索和重新排序，通过特征相关性，注意力值和 xy 坐标进行重新排名，实验结果表明其具有卓越的性能和较低的内存消耗。
- ECCVNeFSAC: 神经过滤的最小样本
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。
- CVPR一种基于一点 RANSAC 的地面物体位姿估计方法
本研究提出一种基于 1 点 RANSAC 的高效姿态估计方法，利用地面对象假设和 2D 对象边框作为附加观察来实现姿态计算，以实现最快的性能，并采用分层的鲁棒性估计方法来优化估计结果。在合成和实际数据集中的实验表明所提出的方法具有优越性。
- ECCV利用鲁棒可微几何优化端到端解决盲视角 N 点问题
该研究提出了一种基于端到端学习的盲 PnP 求解器，利用最近的优化问题微分研究结果将几何模型拟合集成到学习框架中，包括 Sinkhorn、RANSAC 和 PnP 算法，可有效地实现全局定位和三维场景点的快速估计
- ICCV使用仿射对应关系计算广义相对位姿的最小案例
提出了三种新的求解器，用于从仿射对应中估计多相机系统的相对位姿，使得用更少的对应数即可快速准确计算。
- 在相机几何计算中实现仿射对应
本文提出了一种有效使用区域匹配的指导方针，并结合对称强度匹配的局部特征几何形状精炼方法，将不确定性传递到 RANSAC 中，并适应样本手性检查来进行单应性估计；实验结果表明，按照本文提出的指导方针，仿射求解器可以在更快的运行时间内实现与基于 - CVPR单个仿射对应关系的相对位姿最小解
利用特征点之间的仿射变换来解决相对位姿估计问题，提出了四种方法并证明了它们的有效性，可以在 RANSAC 循环中用于异常值检测和初始运动估计。
- MAGSAC++，一种快速、可靠、准确的鲁棒估计器
提出了一种新的鲁棒估计方法 MAGSAC ++，它引入了一种不需要内点 - 外点决策的新模型质量（评分）函数，并且提出了一种新的采样器 Progressive NAPSAC 用于类似于 RANSAC 的鲁棒估计器。在六个公开数据集上的实验表 - MAGSAC：边缘化采样一致性
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 - CVPR潜在的 RANSAC
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 - CVPRDSAC - 相机位姿不确定性可微分的 RANSAC 算法
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。
- 高动态环境下多相机系统自主车辆鲁棒高效的相对位姿估计
该文研究了自动驾驶在高度动态和可能杂乱的环境下的相对姿态问题，提出了一种使用多摄像头系统的新算法，利用特定的先验知识开发了一种高效的 4 点算法，并与 RANSAC 结合使用，在合成数据和实际应用中表现良好。