Wir stellen Neural-Guided RANSAC (NG-RANSAC) vor, eine Erweiterung des klassischen RANSAC-Algorithmus aus dem Bereich der robusten Optimierung. NG-RANSAC nutzt Vorinformationen, um die Suche nach Modellhypothese zu verbessern und die Wahrscheinlichkeit von Ausreißer-freien minimalen Mengen zu erhöhen. Frühere Arbeiten verwenden heuristische Nebeninformationen wie handgefertigte Deskriptoren-Distanz, um die Hypothesensuche zu leiten. Im Gegensatz dazu lernen wir die Hypothesensuche auf einer fundierten Grundlage, die es uns ermöglicht, während des Trainings einen beliebigen Aufgabenverlust zu optimieren. Dies führt zu erheblichen Verbesserungen bei klassischen Computer Vision-Aufgaben. Wir präsentieren zwei weitere Erweiterungen von NG-RANSAC. Erstens ermöglicht es uns, den Anzahl der Inliners selbst als Trainingsignal zu verwenden, um die neurale Leitung auf selbstüberwachte Weise zu trainieren. Zweitens kombinieren wir die neuronale Leitung mit differentiierbarem RANSAC, um neuronale Netze zu bauen, die sich auf bestimmte Teile der Eingabedaten konzentrieren und die Ausgabevorhersagen so gut wie möglich machen. Wir evaluieren NG-RANSAC anhand einer breiten Palette von Computer Vision-Aufgaben, darunter die Schätzung der epipolaren Geometrie, die Schätzung der Horizontlinie und die Kamerarelokalisation. Wir erzielen überlegene oder wettbewerbsfähige Ergebnisse im Vergleich zu den besten robusten Schätzern, einschließlich sehr neuer, gelernter Methoden.