RANSACはノイズの多いデータより先に小さなクリーンサンプルを信頼してモデルを適合させる

古典的なモデル適合は、特徴検出器が多くの不良点を生成する場合に脆弱である。1つの誤ったクラスタが、実際に存在する構造から最小二乗適合を引き離す可能性がある。

FischlerとBollesは1981年に、重大な誤差を相当な割合で含む実験データにモデルを適合させるための新しいパラダイムとしてRandom Sample Consensusを導入した。

この論文は、画像解析と自動地図作成のための手法を提示しており、その中にはランドマーク位置の問題も含まれる。すなわち、最小限のランドマーク集合から解を提案し、十分な数の他のランドマークが一致する場合にのみそのモデルを採用する。

クリーンな少数派に適合させ、その後サポートを数える

計算を仮説に費やし、すべての測定値を信頼することには費やさない。

最小限のサンプルにより、各試行は何度も繰り返せるほど安価になる。

コンセンサスは、ノイズの多い幾何学を、外れ値が勝ちにくい投票問題に変換する。

不良データが平均を支配する可能性がある場合、小さくサンプリングし、広く検証する。残差の大きさではなく一致を最初のフィルタにすることで、ロバストなプロセスを構築できる。

RANSACは、画像マッチング、カメラ幾何学、位置推定などのタスクにおける中核的なコンピュータビジョンツールとなった。OpenAlexは1981年の論文を25,000件超の引用として記録しており、サンプリングとコンセンサスのパターンがどれほど広く普及したかを反映している。