RANSAC 先信任少量乾淨樣本，再處理雜訊資料來擬合模型

當特徵偵測器產生許多壞點時，古典模型擬合顯得脆弱。一個錯誤的叢集可能把最小平方擬合拉離實際存在的結構。

Fischler 與 Bolles 於 1981 年提出隨機樣本共識（Random Sample Consensus），作為一種新範式，用於對含有顯著比例嚴重誤差的實驗資料擬合模型。

該論文將此方法定位於影像分析與自動製圖，包括一個地標定位問題：從一組最小數量的地標提出解答，然後只有在足夠多其他地標一致時才接受該模型。

先擬合乾淨的少數，再計算支持度

它把計算花在假設上，而不是信任每一筆測量。

最小樣本讓每次試驗足夠便宜，可以重複許多次。

共識把帶雜訊的幾何轉化為投票問題，讓離群值難以勝出。

當壞資料可能主導平均值時，小量取樣並廣泛驗證。穩健的流程可以透過讓一致性、而非殘差大小，成為第一道篩選來建立。

RANSAC 成為電腦視覺的核心工具，用於影像匹配、相機幾何與定位等任務。OpenAlex 列出該 1981 年論文有超過 25,000 次引用，反映取樣與共識模式傳播之廣。