Modelos de ajuste RANSAC basados en confiar en pequeñas muestras limpias antes que en datos ruidosos

El ajuste clásico de modelos es frágil cuando los detectores de características producen muchos puntos malos. Un solo grupo erróneo puede desviar un ajuste por mínimos cuadrados de la estructura que realmente existe.

Fischler y Bolles introdujeron Random Sample Consensus en 1981 como un nuevo paradigma para ajustar modelos a datos experimentales que contienen un porcentaje significativo de errores graves.

El artículo enmarca el método para el análisis de imágenes y la cartografía automatizada, incluido un problema de localización de puntos de referencia: proponer una solución a partir de un conjunto mínimo de puntos de referencia y luego aceptar el modelo solo si suficientes otros puntos de referencia coinciden.

Ajustar la minoría limpia y luego contar el apoyo

Dedica cómputo a hipótesis, no a confiar en cada medición.

Las muestras mínimas hacen que cada intento sea lo bastante barato como para repetirlo muchas veces.

El consenso convierte la geometría ruidosa en un problema de votación que los valores atípicos difícilmente pueden ganar.

Cuando los datos malos pueden dominar los promedios, muestree poco y verifique ampliamente. Se puede construir un proceso robusto haciendo de la concordancia, y no del tamaño del residuo, el primer filtro.

RANSAC se convirtió en una herramienta central de la visión por computadora para tareas como la coincidencia de imágenes, la geometría de cámaras y la localización. OpenAlex registra el artículo de 1981 con más de 25.000 citas, lo que refleja la amplia difusión del patrón de muestreo y consenso.