SupeRANSAC：通用统一的 RANSAC 方法
计算机视觉与模式识别
2025-06-06 v1
摘要
鲁棒估计是计算机视觉中的基石，尤其是对于结构从运动（Structure-from-Motion）和同时定位与地图（Simultaneous Localization and Mapping）等任务至关重要。RANSAC及其变体是估计几何模型（如单应矩阵、相对/绝对位姿）的金标准，这些模型从带离群点的数据中进行估计。尽管RANSAC看似简单，但在不同问题上始终保持高性能却颇具挑战。虽然近期研究常关注改进RANSAC的特定组件（如抽样、评分），但整体性能往往更受制于给定库中的“ bells and whistles”（即实现细节和问题特定的优化）。像OpenCV和PoseLib这样的流行框架在不同任务上表现各不相同，某些方面表现出色，却在其他方面欠佳。我们引入SupeRANSAC，这是一种新型统一RANSAC流水线，并对使RANSAC在特定视觉任务（包括单应矩阵、基本矩阵/本质矩阵以及绝对位姿/刚性位姿估计）有效的技术进行了详细分析。SupeRANSAC旨在实现这些任务之间的一致准确性，提升了现有最佳方法，例如在基本矩阵估计中平均提高了6个AUC分点。我们在多个问题和数据集上 demonstrate了相较于当前最先进方法的显著性能提升。代码：https://github.com/danini/superansac
引用
@article{arxiv.2506.04803,
title = {SupeRANSAC: One RANSAC to Rule Them All},
author = {Daniel Barath},
journal= {arXiv preprint arXiv:2506.04803},
year = {2025}
}