論文の概要: DS-SAC: Density Search for Sample Consensus

• arxiv url: http://arxiv.org/abs/2607.03972v1
• Date: Sat, 04 Jul 2026 18:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.7811
• Title: DS-SAC: Density Search for Sample Consensus
• Title（参考訳）: DS-SAC:サンプルコンセンサスの密度探索
• Abstract要約: density Search Sample Consensus (DS-SAC) は、高密度領域を探索することによって繰り返しランダムサンプリングを回避する頑健な推定フレームワークである。 グローバルな探索を容易にするため、DS-SACは符号付き残差を用いて設定された点を分割し、高契約モデルに対する各有効な分割を探索する。 実験により,DS-SACは点数に関して複雑性を達成し,コンセンサスに基づく手法の効率的な代替となることが示された。
• 参考スコア（独自算出の注目度）: 0.8626879748879773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust geometric model estimation is a fundamental problem in computer vision. RANSAC and its variants remain widely used for this task; however, they rely on stochastic minimal sampling. In this article, we propose Density Search Sample Consensus (DS-SAC), a deterministic robust estimation framework, that avoids repeated random sampling by searching dense regions. Starting from an initial model estimated from the available points, the method performs local exploration via forward and backward search. To facilitate global exploration, DS-SAC recursively partitions the point set using signed residuals and searches each valid partition for high-consensus models. We show that DS-SAC has polynomial complexity with respect to the number of points, making it an efficient alternative to stochastic consensus-based methods. Experiments on large-scale real-world datasets for homography, fundamental matrix, and essential matrix estimation show that DS-SAC achieves higher AUC scores, competitive or lower median pose errors, and faster runtime compared with widely used robust estimators, including RANSAC, MAGSAC, LO-RANSAC, and GC-RANSAC.
• Abstract（参考訳）: ロバスト幾何モデル推定はコンピュータビジョンの基本的な問題である。 RANSACとその変種はこのタスクに広く使われているが、それらは確率的最小サンプリングに依存している。 本稿では,決定論的ロバスト推定フレームワークである密度探索サンプル合意(DS-SAC)を提案する。 利用可能な点から推定した初期モデルから、この手法は前方および後方探索による局所探索を行う。 グローバルな探索を容易にするため、DS-SACは符号付き残差を用いて設定された点を再帰的に分割し、高契約モデルに対する各有効な分割を探索する。 DS-SACは点数に関して多項式複雑性を持ち、確率的コンセンサスに基づく手法の効率的な代替となることを示す。 ホモグラフィー、基本行列、本質行列推定のための大規模な実世界のデータセットの実験により、DS-SACはRANSAC、MAGSAC、LO-RANSAC、GC-RANSACなど、広く使われている堅牢な推定器と比較して、より高いAUCスコア、競争力または中央値のポーズエラー、より高速な実行を実現することが示された。

関連論文リスト

• DiffSAC: Diffusion-guided Sampling for Consensus-based Robust Estimation [25.779514721115742]
  コンセンサスに基づくロバスト推定のための拡散誘導サンプリング手法を提案する。 DiffSACは有効最小セットの分布を学習し、各データポイントに対する信頼性を洗練する。 少数の高品質の最小セットを出力し、コンセンサス評価による最良の仮説の同定を可能にする。
  論文  参考訳（メタデータ） (2026-08-31T11:15:11Z)
• SupeRANSAC: One RANSAC to Rule Them All [40.60228747873885]
  SupeRANSACは、新しい統一RANSACパイプラインである。 本稿では、RANSACを特定の視覚タスクに有効にするための技術について詳細に分析する。 複数の問題やデータセットに対する最先端技術よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-05T09:30:27Z)
• Chain-of-Retrieval Augmented Generation [91.02950964802454]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Intelligent Sampling Consensus for Homography Estimation in Football Videos Using Featureless Unpaired Points [2.1372565495068616]
  H-RANSACは、特徴ベクトルや明示的な点対の必要性を排除したホモグラフィー推定アルゴリズムである。 各イテレーションの終了時のポストホック基準により、さらに精度が向上する。 その結果,H-RANSACは最先端の古典的手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-07T20:56:39Z)
• RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
  RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。 実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
  論文  参考訳（メタデータ） (2023-08-10T03:14:19Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Boosting RANSAC via Dual Principal Component Pursuit [24.942079487458624]
  本稿では,強力な理論的支援と効率的なアルゴリズムを備えた頑健な部分空間学習手法としてDual principal Component Pursuit (DPCP)を紹介した。 2次元ホモグラフ、基本行列、基本行列、および3次元ホモグラフテンソルの推定実験は、我々のアプローチが最先端の代替よりも一貫して精度が高いことを示している。
  論文  参考訳（メタデータ） (2021-10-06T17:04:45Z)
• Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
  本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。 我々はサンプルと下流のアプリケーションを共同で学習する。 実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-09T08:08:44Z)
• Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
  本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。 複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。 これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
  論文  参考訳（メタデータ） (2021-03-25T14:35:07Z)
• 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)
• DGSAC: Density Guided Sampling and Consensus [4.808421423598809]
  Kernel Residual Densityは、inlierとoutlierの主な差別化要因である。 本稿では,2つのモデル選択アルゴリズム,最適2次プログラム,および欲求性を提案する。 平面分割, 運動分割, 点推定, 3次元点雲への平面整合, 直線, 円環整合など, 様々なタスクについて評価を行った。
  論文  参考訳（メタデータ） (2020-06-03T17:42:53Z)
• 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。