别再用RANSAC了，看看最新开源的顶会采样方案！

0. 笔者个人体会

大家对RANSAC想必都很熟悉，小到曲线拟合，大到端到端学习，都有RANSAC的身影。但传统的RANSAC本身是无偏差的随机采样，提出已经过去很多年了，无论是收敛速度还是模型精度都有待提升。

今天笔者将为大家分享几项最新开源的顶会RANSAC改进方案，大家可以替换自己原有的RANSAC，提升一下精度速度，也能水一下工作量。

下面一起来阅读一下这些工作，当然笔者水平有限，如果有理解不当的地方欢迎大家批评指正~

1. 可微RANSAC

标题：Generalized Differentiable RANSAC

作者：Tong Wei, Yash Patel, Alexander Shekhovtsov, Jiri Matas, Daniel Barath

机构：布拉格捷克理工大学、苏黎世联邦理工学院

来源：ICCV 2023

原文链接：https://arxiv.org/abs/2212.13185

代码链接：https://github.com/weitong8591/differentiable_ransac

摘要：我们提出了∇-RANSAC，一个广义的可微RANSAC，它允许学习整个随机稳健估计管道。所提出的方法使得能够使用松弛技术来估计采样分布中的梯度，然后通过可微分求解器传播该梯度。可训练