論文の概要: RANSAC Scoring Functions: Analysis and Reality Check

• arxiv url: http://arxiv.org/abs/2512.19850v1
• Date: Mon, 22 Dec 2025 20:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.6542
• Title: RANSAC Scoring Functions: Analysis and Reality Check
• Title（参考訳）: RANSAC Scoring Function: Analysis and Reality Check
• Authors: A. Shekhovtsov,
• Abstract要約: 我々は,候補となる幾何モデルにスコア(適合の質)を割り当てることの問題を再考する。 しきい値に基づくパラメータ化は、確率ベースでロバストなM推定器の統一的なビューにつながることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We revisit the problem of assigning a score (a quality of fit) to candidate geometric models -- one of the key components of RANSAC for robust geometric fitting. In a non-robust setting, the ``gold standard'' scoring function, known as the geometric error, follows from a probabilistic model with Gaussian noises. We extend it to spherical noises. In a robust setting, we consider a mixture with uniformly distributed outliers and show that a threshold-based parameterization leads to a unified view of likelihood-based and robust M-estimators and associated local optimization schemes. Next we analyze MAGSAC++ which stands out for two reasons. First, it achieves the best results according to existing benchmarks. Second, it makes quite different modeling assumptions and derivation steps. We discovered, however that the derivation does not correspond to sound principles and the resulting score function is in fact numerically equivalent to a simple Gaussian-uniform likelihood, a basic model within the proposed framework. Finally, we propose an experimental methodology for evaluating scoring functions: assuming either a large validation set, or a small random validation set in expectation. We find that all scoring functions, including using a learned inlier distribution, perform identically. In particular, MAGSAC++ score is found to be neither better performing than simple contenders nor less sensitive to the choice of the threshold hyperparameter. Our theoretical and experimental analysis thus comprehensively revisit the state-of-the-art, which is critical for any future research seeking to improve the methods or apply them to other robust fitting problems.
• Abstract（参考訳）: 我々は、RANSACの重要な構成要素の1つである候補幾何モデルにスコア(適合の質)を割り当てることの問題を再考する。 非ロバストな設定では、幾何誤差として知られる 'gold Standard'' スコア関数はガウス雑音を持つ確率モデルから従う。 私たちはそれを球形雑音に拡張する。 頑健な環境では、均一に分散された外れ値との混合を考慮し、しきい値に基づくパラメータ化が、確率ベースでロバストなM推定器と関連する局所最適化スキームの統一的なビューにつながることを示す。 次に、MAGSAC++を分析する。 まず、既存のベンチマークで最高の結果を得る。 第二に、モデリングの前提と導出の手順を全く異なるものにします。 しかし、この導出は健全な原理と一致せず、結果として得られるスコア関数は実際、提案フレームワークの基本モデルである単純なガウス・ユニフォーム確率と数値的に等価であることがわかった。 最後に,評価関数を評価するための実験手法を提案する。 学習した不整合分布を含むすべてのスコアリング関数が同一に動作することがわかった。 特にMAGSAC++スコアは、単純な競合者よりもパフォーマンスが良くなく、閾値ハイパーパラメータの選択に敏感ではない。 我々の理論的および実験的分析は、今後の研究において重要な最先端技術を再考し、その方法を改善したり、他の堅牢な適合問題に適用したりすることを目的としている。

関連論文リスト

• Convergence Dynamics of Over-Parameterized Score Matching for a Single Gaussian [48.340460104014]
  学習モデルの勾配降下について検討し,1つのガウス分布を学習する。 複数の条件下での勾配降下に対する大域収束結果を証明した。 これは、スコアマッチングフレームワークの下で少なくとも3つの成分を持つガウス混合に対する大域収束保証を確立するための最初の試みである。
  論文  参考訳（メタデータ） (2025-11-27T03:41:48Z)
• Dimension-free Score Matching and Time Bootstrapping for Diffusion Models [19.62665684173391]
  拡散モデルは、様々な雑音レベルにおける対象分布のスコア関数を推定してサンプルを生成する。 本稿では,マーチンゲールに基づく誤り分解とシャープな分散境界を導入し,従属データから効率的な学習を可能にする。 これらの知見に基づいて,より高い雑音レベルにおいて精度を向上させるために,事前学習したスコアを活用する分散低減手法であるBootstrapped Score Matching (BSM)を提案する。
  論文  参考訳（メタデータ） (2025-02-14T18:32:22Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• A Fourier Approach to the Parameter Estimation Problem for One-dimensional Gaussian Mixture Models [21.436254507839738]
  一次元ガウス混合モデルにおけるパラメータ推定のための新しいアルゴリズムを提案する。 本アルゴリズムは,EMアルゴリズムと比較して,確率,AIC,BICのスコアがよいことを示す。
  論文  参考訳（メタデータ） (2024-04-19T03:53:50Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。