DGSAC：密度引导的采样与一致性方法

鲁棒的多模型拟合在许多计算机视觉应用中起着关键作用。与单模型拟合问题不同，多模型拟合具有额外的挑战。其中最重要的是未知的模型数量和内点噪声尺度，这通常由用户利用真实值或其他辅助信息提供。基于模式寻找/聚类的方法关键依赖于所生成的模型假设的质量。而基于偏好分析的引导采样方法虽然表现出卓越的性能，但它们在时间预算框架下运行，且用户需合理猜测地提供时间。在本文中，我们偏离模式寻找和时间预算框架。我们提出一种称为核残差密度（Kernel Residual Density, KRD）的概念，并将其应用于多模型拟合流程的各个组件。核残差密度充当内点与外点之间的关键区分器。我们利用 KRD 引导并自动停止采样过程。在生成一组能够解释所有数据点的假设后，采样过程停止。为每个数据点维护一个解释分数，并实时更新。我们提出两种模型选择算法：一种基于最优二次规划，另一种为贪心算法。与模式寻找方法不同，我们的模型选择算法旨在为数据中存在的每个真实结构寻找一个代表性假设。我们在平面分割、运动分割、消失点估计、3D 点云平面拟合、直线和圆拟合等多种任务上评估了我们的方法（称为 DGSAC），展示了我们方法的有效性及其统一特性。