MAGSAC：Marginalizing Sample Consensus

边缘化采样一致性

摘要

本文提出了一种称为阈值一致性（σ-consensus）的方法，以消除RANSAC中人为设定内点阈值的需求。该方法边缘化噪声，而不是估计噪声σ。该方法通过加权最小二乘法，求解最优模型，而最小二乘法的权重由数据为内点的边缘概率确定。本文提出了一种新的评估模型的质量函数，由于该函数不需要使用变量σ，因此也就不需要确定内点集，以评估模型的质量。同时，本文也提出了一种新的基于边缘化的迭代停止条件。通过采用阈值一致性，MAGSAC不需要人为定义内点阈值，且能显著提高鲁棒估计的精度。该方法在对极几何和单应矩阵的估计问题上，在公共数据集的测试中，几何估计的精度高于当前最优的算法。另外，如果把阈值一致性估计方法作为后处理的方法，应用在RANSAC中，即使仅仅使用一次，也能在很多视觉问题上明显提高估计的精度，同时也不会增加很多的计算量。本文的源码https://github.com/danini/magsac。

主要贡献

本文的主要贡献为：
1、提出了一种阈值一致性算法，该算法不在需要人为设定内点阈值，而仅仅需要知道内点阈值的最大可能值；
2、提出了一种新的模型质量评估函数，由于该函数与内点阈值无关，因此不必求解内点集以评估模型；
3、提出了一种新的迭代终止条件，以适配本文的估计方法。

算法流程

PS：本文要解决的问题是，传统的RANSAC方法，通常需要人为设定一个内点阈值，以求取一个内点集，进而对模型的质量进行评估，因此内点阈值会很大程度影响模型的评估，进而影响算法估计的精度。本文的做法是：将内点的阈值σ看作一个随机变量，由于模型的质量评估函数Q是关于σ的函数，因此Q也可以看作是一个随机变量，我们通过求解Q的期望，能够获取模型质量的平均值Q*，而求解该期望的过程，就是边缘化掉σ的过程。另一方面，当我们求解得到一个模型，通常我们会使用内点集中所有点，对模型进行一个优化（通常称为“局部优化”），但是在本文的方法中，由于不存在内点阈值σ，因此也就无法判断一个点是否为内点，亦即无法得到内点集，本文采取的做法是