RANSAC：在噪声数据之前先信任微小干净样本的拟合模型

当特征检测器产生许多坏点时，经典模型拟合很脆弱。一个错误的簇可能会将最小二乘拟合拉离实际存在的结构。

Fischler 和 Bolles 于 1981 年引入了随机样本一致（RANSAC），作为一种新范式，用于对包含显著比例严重误差的实验数据进行模型拟合。

该论文将这一方法定位于图像分析和自动制图，包括一个地标定位问题：从最小地标集提出一个解决方案，然后仅当足够多的其他地标同意时才接受该模型。

拟合干净的少数派，然后统计支持度

它将计算花在假设上，而不是信任每一个测量值。

最小样本使每次试验足够便宜，可以重复多次。

一致性将噪声几何转化为一个投票问题，异常值很难获胜。

当坏数据可能主导平均值时，小样本采样并广泛验证。可以通过将一致性而非残差大小作为第一过滤器来构建稳健的过程。

RANSAC 成为计算机视觉的核心工具，用于图像匹配、相机几何和定位等任务。OpenAlex 列出这篇 1981 年的论文被引用超过 25,000 次，反映了采样与一致性模式传播的广泛程度。