研究人员开发了 NONSAC，一个新颖的框架，旨在从包含噪声和异常值的大型数据集中进行鲁棒且可扩展的模型估计。该方法涉及对非最小数据子集进行采样以生成多个候选模型，并根据评分规则选择最终模型。NONSAC 可适用于各种几何拟合算法，如 RANSAC，从而提高其在相机姿态估计和点云配准等场景下的性能。 AI
影响 引入了一种可扩展的鲁棒模型估计方法，有可能提高大规模计算机视觉任务的性能。
排序理由 该集群包含一篇详细介绍新数据处理框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.22518v1 Announce Type: new 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 subse…
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 …