Modelos de ajuste RANSAC confiando em pequenas amostras limpas antes de dados ruidosos

O ajuste clássico de modelos é frágil quando os detectores de características produzem muitos pontos ruins. Um único agrupamento errado pode afastar um ajuste de mínimos quadrados da estrutura que realmente existe.

Fischler e Bolles introduziram o Random Sample Consensus (Consenso de Amostra Aleatória) em 1981 como um novo paradigma para ajustar modelos a dados experimentais contendo uma porcentagem significativa de erros grosseiros.

O artigo enquadra o método para análise de imagens e cartografia automatizada, incluindo um problema de localização de marcos: propor uma solução a partir de um conjunto mínimo de marcos e, em seguida, aceitar o modelo apenas se marcos suficientes concordarem.

Ajustar a minoria limpa e depois contar o suporte

Gasta computação em hipóteses, não em confiar em cada medição.

Amostras mínimas tornam cada tentativa barata o suficiente para ser repetida muitas vezes.

O consenso converte a geometria ruidosa em um problema de votação que os outliers dificilmente conseguem vencer.

Quando dados ruins podem dominar as médias, amostre pouco e verifique amplamente. Um processo robusto pode ser construído fazendo da concordância, e não do tamanho do resíduo, o primeiro filtro.

O RANSAC tornou-se uma ferramenta central de visão computacional para tarefas como correspondência de imagens, geometria de câmeras e localização. O OpenAlex lista o artigo de 1981 com mais de 25.000 citações, refletindo o quão amplamente o padrão de amostragem e consenso se difundiu.