論文の概要: RANSAC Scoring Done Right

• arxiv url: http://arxiv.org/abs/2606.27385v1
• Date: Fri, 12 Jun 2026 15:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.58196
• Title: RANSAC Scoring Done Right
• Title（参考訳）: RANSAC Scoring Done Right
• Abstract要約: 最も広く使われているRANSAC変種は、インレーヤを数えたり、残差閾値を超えて飽和するポイント当たりのスコアを和らげることで、候補モデルを評価する。 通常の推論順序を逆転することで、この依存を排除します。 単一の閉形式表現は、非形式的ジェフリーズ極限と情報的経験的ベイズ先行にまたがる。 提案されたRANSACスコアは、不整合スケールが式から真に欠落している最初のスコアである。
• 参考スコア（独自算出の注目度）: 0.6678130184505635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The most widely used RANSAC variants score candidate models by counting inliers or summing per-point scores that saturate beyond a residual threshold. Every such score requires a user-supplied parameter that is a function of the inlier scale, which must itself be estimated from contaminated data. We remove this dependence by reversing the usual order of inference: rather than estimating the scale and then scoring against it, we marginalize the inlier scale analytically in closed form under a conjugate Inverse-Gamma prior for a fixed inlier partition, then optimize over partitions. A single closed-form expression spans the non-informative Jeffreys limit and informative empirical-Bayes priors, so the same score adapts across data-rich and data-scarce regimes without any change to the algorithm. The proposed RANSAC score is the first in which the inlier scale is genuinely absent from the formula. The score admits O(N log N ) computation via sort-and-sweep. On a benchmark of nearly 70 000 image pairs spanning different two-view estimation problems and both engineered and learned feature pipelines, the proposed score exceeds the state of the art (RANSAC, MSAC, GaU, MAGSAC): it stays nearly flat under threshold miscalibration where baselines degrade, reaches near-optimal accuracy from as few as two validation pairs where baselines need ont he order of 100 times more,. and tightens its prior regularization as validation data grows scarce.
• Abstract（参考訳）: 最も広く使用されているRANSAC変種は、インレーヤを数えたり、残差閾値を超えて飽和するポイント当たりのスコアを和らげることで、候補モデルを評価する。 そのようなスコアには、イリヤスケールの関数であるユーザ供給パラメータが必要です。 我々は、この依存を通常の推論の順序を逆転することで取り除く: スケールを推定し、それに対して得点する代わりに、固定された不整分割の前に共役逆ガンマの下で閉形式で解析的に不整スケールを解析し、分割を最適化する。 単一のクローズドフォーム表現は、非形式的ジェフリーズ極限と情報的経験的ベイズ先行値にまたがるため、同じスコアはアルゴリズムを変更することなく、データリッチでデータスカースなレギュレーションに適応する。 提案したRANSACスコアは、不整合スケールが式から真に欠落している最初のスコアである。 スコアはソート・アンド・スウィープによるO(N log N )計算を認める。 異なる2ビュー推定問題にまたがる70万近いイメージペアと、エンジニアリングと学習の両方の機能パイプラインのベンチマークにおいて、提案されたスコアは最先端(RANSAC、MSAC、GaU、MAGSAC)を超えている。 バリデーションデータが不足しているため、事前の定期化を厳格化します。

関連論文リスト

• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence [0.7340017786387767]
  先行スコアは,文脈メタデータにのみ含まれていても,判断をアンカーし,評価を評価値に体系的にシフトすることを示す。 人間のラベル付き地上真実によるカテゴリー産業データでは、アンカーされたメタデータは誤り訂正の48%をブロックし、割り当てられた間違ったラベルに対して正しい判断の10.18%をフリップする。
  論文  参考訳（メタデータ） (2026-08-26T14:41:24Z)
• Exact and Certified Data Shapley for Weighted k-Nearest-Neighbor Regression and Soft-Label Prediction [0.0]
  厳密なアルゴリズムは、最寄りの分類と回帰のために存在する。 重み付き回帰とソフトラベル予測は正確な手法に抵抗している。 オープンソースでCPUのみのライブラリをリリースしています。
  論文  参考訳（メタデータ） (2026-07-12T04:38:38Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Less Greedy Equivalence Search [52.818153111470394]
  Greedy Equivalence Search (GES)は、観測データから因果探索を行うためのスコアベースのアルゴリズムである。 我々はGESの変種であるLose Greedy Equivalence Search (LGES)を開発した。
  論文  参考訳（メタデータ） (2025-06-27T15:39:48Z)
• Less Biased Noise Scale Estimation for Threshold-Robust RANSAC [0.9065034043031668]
  ノイズスケール推定法であるSIMFITを再検討し,ノイズスケール推定のバイアスを求める。 本稿では,SIMFIT++のマルチペア拡張を推定値のフィルタリングにより提案し,その結果を改善する。
  論文  参考訳（メタデータ） (2025-03-17T17:57:29Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• BANSAC: A dynamic BAyesian Network for adaptive SAmple Consensus [10.805520579293747]
  RANSACベースのアルゴリズムはコンピュータビジョンにおけるロバストな推定の標準手法である。 主な改善点の1つは、RANSACサイクルを早く停止させるガイド付きサンプリングを行うことである。 本稿では,RANSACの新しい適応サンプリング法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T18:31:36Z)
• Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
  多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。 我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
  論文  参考訳（メタデータ） (2021-06-15T06:59:53Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)

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。