가장 널리 사용되는 RANSAC 변형들은 임계값을 넘으면 0이 되는 점별 점수를 합산하여 후보 모델에 점수를 매긴다. 이 점수는 가우시안-균등 혼합의 음의 로그 가능도에서 유도된다. 임계값은 잡음 모델을 따르는 인라이어와 아웃라이어를 구분하며, 관측 잡음 수준, 즉 인라이어 스케일의 함수이다. 본 논문은 RANSAC 추론의 통상적인 순서를 뒤집어 이 임계값 의존성을 제거한다. 즉, 스케일을 추정한 뒤 이에 대해 점수를 매기는 대신, 고정된 인라이어 분할에 대해 스케일을 닫힌 형태로 주변화한 다음 분할에 대해 최적화한다. 그 결과 얻어지는 점수는 한 번의 정렬과 선형 스윕으로 최대화된다. 하나의 닫힌 형태 식이 정보적 사전분포와 비정보적 사전분포를 모두 포괄하므로, 동일한 점수가 정답 주석이 풍부하거나 제한적인 데이터셋에 적응한다. 제안한 점수는 균등 아웃라이어 분포의 반폭이라는 단일 하이퍼파라미터를 가진다. 이 반폭이 인라이어 임계값보다 오보정에 훨씬 덜 민감하며 교차 검증도 더 쉬움을 보인다. 제안한 점수는 인라이어 스케일이 식에 나타나지 않는 최초의 가능도 기반 RANSAC 점수이다. 프로젝트 페이지: https://ransacscoringdoneright.github.io
강건한 기하학적 모델 추정은 컴퓨터 비전의 근본적인 문제이다. RANSAC과 그 변형들은 이 작업에 여전히 널리 사용되지만, 확률적 최소 샘플링에 의존한다. 본 논문에서는 밀집 영역을 탐색하여 반복적인 무작위 샘플링을 회피하는 결정론적 강건 추정 프레임워크인 밀도 탐색 샘플 합의(DS-SAC)를 제안한다. 가용한 점들로부터 추정된 초기 모델을 시작점으로, 전방 및 후방 탐색을 통해 지역적 탐험을 수행한다. 전역적 탐험을 위해 DS-SAC는 부호 있는 잔차를 사용하여 점 집합을 재귀적으로 분할하고, 각 유효한 분할에서 고합의 모델을 탐색한다. DS-SAC는 점의 수에 대해 다항식 복잡도를 가지며, 이를 통해 확률적 합의 기반 방법들의 효율적인 대안임을 보인다. 호모그래피, 기본 행렬(fundamental matrix), 필수 행렬(essential matrix) 추정을 위한 대규모 실세계 데이터셋에서의 실험 결과, DS-SAC는 RANSAC, MAGSAC, LO-RANSAC, GC-RANSAC을 포함한 널리 사용되는 강건 추정기들에 비해 더 높은 AUC 점수, 경쟁력 있거나 더 낮은 중앙값 포즈 오차, 그리고 더 빠른 실행 시간을 달성한다.
가짜 프로필을 통한 악의적 조작, 이산 척도 평점, 비무작위 누락 데이터 등 추천 시스템의 현실적 과제를 동시에 해결하기 위해 Robust Discrete Matrix Completion(RDMC) 방법을 제안한다. MovieLens 및 Yahoo! Music 데이터셋을 활용한 사례 연구와 시뮬레이션 실험을 통해 RDMC가 적대적 조작에 강인하면서도 안정적인 평점 예측을 제공함을 검증한다.