摘要
我们介绍了神经引导随机样本一致性算法（Neural-Guided RANSAC，简称NG-RANSAC），这是对经典鲁棒优化算法RANSAC的一种扩展。NG-RANSAC利用先验信息来改进模型假设搜索，从而增加找到无离群点最小集的可能性。以往的研究通常使用启发式辅助信息（如手工设计的描述符距离）来指导假设搜索。相比之下，我们以一种系统的方式学习假设搜索，这使得我们在训练过程中可以优化任意任务损失，从而在经典的计算机视觉任务上取得显著的改进。我们进一步提出了NG-RANSAC的两个扩展：首先，使用内点计数本身作为训练信号，使我们能够以自监督的方式训练神经引导；其次，我们将神经引导与可微分RANSAC结合，构建出专注于输入数据特定部分并尽可能优化输出预测的神经网络。我们在一系列广泛的计算机视觉任务上评估了NG-RANSAC，包括极线几何估计、地平线估计和相机重定位。实验结果表明，与最先进的鲁棒估计器（包括非常近期的学习型估计器）相比，我们的方法取得了优越或具有竞争力的结果。