RANSAC评分新范式：无需预设内点尺度，精度与鲁棒性双双提升
计算机视觉领域广泛使用的RANSAC（随机采样一致性）算法，其核心步骤——模型评分——长期依赖一个关键参数：内点尺度（inlier scale）。该参数需要用户预先设定，或从被污染的数据中估计，而估计本身又容易受异常值干扰，形成“先有鸡还是先有蛋”的困境。近日，来自德国基尔大学等机构的研究者在arXiv上提交了一篇论文，提出了一种真正摆脱内点尺度依赖的新型RANSAC评分方法，为这一经典问题提供了优雅的数学解。
核心创新：从“估计尺度”到“边缘化尺度”
传统RANSAC变体（如MSAC、MAGSAC）的评分函数，无论是简单的内点计数还是带饱和函数的逐点得分，都隐含或显式地依赖于一个阈值参数，该参数本质上是内点尺度的函数。新方法的关键思路是反转推理顺序：不再先估计尺度再用其评分，而是通过共轭先验（Inverse-Gamma分布）将内点尺度在闭合形式下解析地边缘化（marginalize），然后直接优化数据划分（即哪些点是内点）。
这一数学处理带来了几个显著优势：
- 单一公式覆盖多种先验：从无信息的Jeffreys先验到有信息的经验贝叶斯先验，同一个评分函数可以自适应地切换，无需修改算法。
- 计算高效：评分函数可通过排序扫描（sort-and-sweep）实现 O(N log N) 的复杂度，与经典方法相当。
- 参数真正“消失”：这是第一个在评分公式中完全不出现内点尺度的RANSAC变体。
实验验证：近7万图像对上的全面碾压
研究团队在包含近7万对图像的基准测试上进行了评估，覆盖了多种双视图估计问题（如基础矩阵、本质矩阵、单应矩阵估计），并使用手工特征（SIFT）和深度学习特征（SuperPoint+SuperGlue）两种管线。结果令人印象深刻：
- 阈值误标定下的鲁棒性：当用户提供的阈值偏离真实值时，传统方法（RANSAC、MSAC、GaU、MAGSAC）的准确率急剧下降，而新方法的性能几乎保持平坦。
- 极低数据量下的高效性：在仅用2对验证点进行模型选择时，新方法即可达到接近最优的精度，而基线方法通常需要约100倍的验证数据。
- 先验正则化的自适应收紧：当验证数据稀缺时，评分函数会自动加强先验的正则化作用，防止过拟合。
行业意义与未来展望
RANSAC自1981年提出以来，一直是计算机视觉中鲁棒估计的基石。其评分环节的尺度依赖问题虽被长期认知，但始终缺少一个既理论严谨又计算可行的解决方案。这项工作不仅从数学上填补了这一空白，更在实用层面展示了巨大的潜力：
- 降低用户调参门槛：对于非专业用户，无需再为不同场景手动调整内点阈值。
- 提升自动化管线稳定性：在SLAM、三维重建、视觉定位等需要大量自动处理的系统中，一个对参数不敏感的评分函数能显著减少故障率。
- 适应数据稀缺场景：在只有少量匹配对的极端条件下（如纹理匮乏或视角剧烈变化），新方法仍能可靠工作。
当然，论文也指出该方法目前主要在双视图几何估计上验证，未来可以扩展到更复杂的多视图问题。此外，边缘化框架理论上也适用于其他需要阈值参数的任务，如点云配准中的RANSAC变体。
总的来说，这项研究以简洁的数学形式解决了RANSAC领域一个存在四十余年的痛点，堪称“评分问题”的终极解法。对于计算机视觉从业者而言，这是一个值得密切关注并尝试集成到现有管线中的新工具。