大规模数据集的非最小抽样与共识
计算机视觉与模式识别
2026-04-27 v1
摘要
我们提出 NONSAC (Non-Minimal Sampling and Consensus)，一个面向噪声和离群值污染的任意大数据集上进行鲁棒且可扩展模型估计的通用框架。NONSAC 反复抽样非最小子集数据并使用鲁棒估计器生成模型假设，产生多个候选模型。最终根据预定义的评分规则选择模型，以评估假设质量。该框架具有估计器无关性，可集成到诸如 RANSAC 等现有几何拟合算法中，以提高其可扩展性和对离群值的鲁棒性。我们对相对相机姿态估计、Perspective-n-Point 和点云配准问题上的各种评分规则进行了评估。此外，我们展示了 NONSAC 应用于无对应点点云配准的可行性，通过假设所有到-all 对应点来实现。
引用
@article{arxiv.2604.22518,
title = {Non-Minimal Sampling and Consensus for Prohibitively Large Datasets},
author = {Seong Hun Lee and Patrick Vandewalle and Javier Civera},
journal= {arXiv preprint arXiv:2604.22518},
year = {2026}
}