論文の概要: Non-Minimal Sampling and Consensus for Prohibitively Large Datasets

• arxiv url: http://arxiv.org/abs/2604.22518v1
• Date: Fri, 24 Apr 2026 12:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.460968
• Title: Non-Minimal Sampling and Consensus for Prohibitively Large Datasets
• Title（参考訳）: 広帯域データに対する非最小サンプリングとコンセンサス
• Authors: Seong Hun Lee, Patrick Vandewalle, Javier Civera,
• Abstract要約: 任意に大規模なデータセットから堅牢でスケーラブルなモデル推定を行うフレームワークであるNONSACを紹介する。 NONSACは、データの最小部分集合を繰り返しサンプリングし、ロバストな推定器を用いてモデル仮説を生成する。 我々のフレームワークは推定器非依存であり、既存の幾何フィッティングアルゴリズムと統合することができる。
• 参考スコア（独自算出の注目度）: 22.390684545368064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce NONSAC (Non-Minimal Sampling and Consensus), a general framework for robust and scalable model estimation from arbitrarily large datasets contaminated with noise and outliers. NONSAC repeatedly samples non-minimal subsets of data and generates model hypotheses using a robust estimator, producing multiple candidate models. The final model is selected based on a predefined scoring rule that evaluates hypothesis quality. Our framework is estimator-agnostic and can be integrated with existing geometric fitting algorithms such as RANSAC to improve both scalability and robustness to outliers. We propose and evaluate various scoring rules for NONSAC on relative camera pose estimation, Perspective-n-Point, and point cloud registration. Furthermore, we showcase the applicability of NONSAC to correspondence-free point cloud registration by hypothesizing all-to-all correspondences.
• Abstract（参考訳）: NONSAC(Non-Minimal Sampling and Consensus)は、ノイズや外れ値に汚染された大規模データセットから、ロバストでスケーラブルなモデル推定を行う一般的なフレームワークである。 NONSACは、データの最小サブセットを繰り返しサンプリングし、ロバストな推定器を用いてモデル仮説を生成し、複数の候補モデルを生成する。 最終モデルは、仮説の品質を評価する事前定義されたスコアリングルールに基づいて選択される。 我々のフレームワークは推定器非依存であり、RANSACのような既存の幾何フィッティングアルゴリズムと統合してスケーラビリティと堅牢性の両方を向上することができる。 我々は、相対カメラポーズ推定、パースペクティブ-n-Point、ポイントクラウド登録におけるNONSACの様々なスコアリングルールを提案し、評価する。 さらに,一対一の対応を仮定することで,NONSACが通信不要の点雲登録に適用可能であることを示す。

関連論文リスト

• A Unified Framework for Provably Efficient Algorithms to Estimate Shapley Values [4.445994770262589]
  本稿では,KernelSHAPと関連する推定器を代替サンプリング戦略を用いて構築した,広範かつ統一的なフレームワークについて述べる。 我々は、我々のフレームワークから全ての推定者に適用できる強い非漸近的理論的保証を証明している。 正則なシャプリー値に対する我々のアプローチを検証し、最小値の2乗誤差を最小値のサンプルサイズで連続的に達成する。
  論文  参考訳（メタデータ） (2025-06-05T16:30:53Z)
• Generalization is not a universal guarantee: Estimating similarity to training data with an ensemble out-of-distribution metric [0.09363323206192666]
  機械学習モデルの新しいデータへの一般化の失敗は、AIシステムの信頼性を制限する中核的な問題である。 本稿では、一般化可能性推定(SAGE)のための教師付きオートエンコーダを構築することにより、データの類似性を評価するための標準化されたアプローチを提案する。 モデル自体のトレーニングやテストデータセットのデータに適用しても,SAGEスコアのフィルタリング後にアウト・オブ・ボックスモデルの性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-22T19:21:50Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Contrastive Neural Ratio Estimation for Simulation-based Inference [15.354874711988662]
  Likelihood-to-evidence ratio Estimation は通常、バイナリ (NRE-A) またはマルチクラス (NRE-B) の分類タスクとしてキャストされる。 バイナリ分類フレームワークとは対照的に、現在のマルチクラスバージョンの定式化は本質的で未知のバイアス項を持つ。 我々は,NRE-Bに固有のバイアスを最適に含まないマルチクラスフレームワークを提案し,実践者が依存する診断を行う立場に置かれる。
  論文  参考訳（メタデータ） (2022-10-11T00:12:51Z)
• CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
  我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。 複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。 探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
  論文  参考訳（メタデータ） (2020-01-08T17:37:01Z)

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。