Учёные упростили RANSAC: новый метод оценки не требует настройки параметра

Группа исследователей представила новый метод оценки для алгоритма RANSAC, который избавляет от необходимости вручную задавать параметр масштаба инлайеров. Работа опубликована на arXiv (ID: 2606.27385) и уже привлекла внимание специалистов по компьютерному зрению.

Классические варианты RANSAC требуют от пользователя указания порога для определения инлайеров. Этот порог зависит от масштаба данных, который часто неизвестен и его приходится оценивать по зашумлённым данным. Ошибки в этой оценке могут существенно снизить точность алгоритма.

Авторы предложили принципиально иной подход: вместо оценки масштаба с последующим подсчётом инлайеров, они аналитически интегрируют неопределённость масштаба. Используя сопряжённое обратное гамма-распределение, они вывели единую формулу, которая работает как для неинформативного априорного распределения Джеффриса, так и для информативного эмпирического байесовского априорного распределения.

Таким образом, один и тот же алгоритм автоматически адаптируется к разным объёмам данных без изменения процедуры. Вычислительная сложность метода составляет O(N log N) за счёт сортировки и развёртки.

Эксперименты на почти 70 тыс. пар изображений, охватывающих различные задачи оценки двух видов и использующих как искусственные, так и обученные признаки, показали, что новый метод превосходит существующие аналоги — RANSAC, MSAC, GaU и MAGSAC. При неточной калибровке порога точность остаётся почти неизменной, в то время как конкуренты деградируют. Для достижения почти оптимальной точности новому методу достаточно всего двух валидационных пар, в то время как базовым методам требуется примерно в 100 раз больше.

Разработка упрощает применение RANSAC в практических задачах компьютерного зрения, робототехники и анализа изображений, снижая чувствительность к выбору гиперпараметров и повышая надёжность оценок.