コンピュータビジョンにおいて、RANSAC（RANdom SAmple Consensus）アルゴリズムは、外れ値を含むデータからモデルパラメータをロバストに推定するための基本的な手法である。その動作は、ランダムサンプリングにより候補モデルを生成し、何らかのスコア関数に基づいて最良のモデルを選択するというものである。しかし、従来のRANSACやその変種（MSAC、MAGSACなど）のスコア関数は、ユーザーが指定するスケールパラメータに依存している。このパラメータは内点と外れ値を区別する閾値を決定するが、実際には内点スケールそのものを汚染されたデータから推定しなければならず、実用上の大きな不確実性をもたらしていた。
James PrittsらがarXivで発表した「RANSAC Scoring Done Right」と題された論文は、この依存関係を根本的に排除する新しいスコアリング手法を提案している。彼らの核心的なアイデアは、従来の推論の順序を逆転させることにある。すなわち、内点スケールを推定してからスコアリングするのではなく、内点分割を固定した上で、共役逆ガンマ事前分布の下で内点スケールを解析的に周辺化し、その後分割を最適化する。この手法の重要な点は、単一の閉形式表現が非情報的なジェフリーズ極限（データ豊富な状況に適応）と情報的な経験ベイズ事前分布（データ不足な状況で有効）の両方をカバーし、アルゴリズムを変更することなくデータ状況に応じて自動的に適応することである。
提案されたRANSACスコアは、式から内点スケールが真に除去された最初のものである。このスコアはソートアンドスイープ法によりO(N log N)の計算量を実現し、大規模データセットにも効率的に適用できる。研究チームは、約7万組の画像ペアに対して広範なベンチマークテストを実施した。これには、様々な2視点推定問題と、ハンドクラフト特徴および深層学習特徴の両方を用いたマッチングパイプラインが含まれる。実験結果は、提案手法がRANSAC、MSAC、GaU、MAGSACといった既存手法を複数の観点で凌駕することを示している。閾値のキャリブレーションが不正確な場合、ベースライン手法の性能は著しく低下するが、提案手法はほぼ一定の性能を維持する。わずか2組の検証ペアでほぼ最適な精度を達成するのに対し、ベースライン手法は約100倍の検証ペアを必要とする。さらに、検証データが不足する状況では、提案手法は事前正則化を強化することでロバスト性を保つ。
本研究は、RANSACの実践において、より信頼性が高く使いやすいスコアリング戦略を提供する。ユーザーはスケールパラメータを手動で調整または推定する必要がなくなり、使用のハードルが下がり、人為的誤差も減少する。また、計算効率は既存手法と同等であり、既存のRANSAC実装のスコアリングモジュールをそのまま置き換えることができる。この新しいスコアリング手法は、ロバストなモデル推定が不可欠なロボティクス、自動運転、3次元再構成などの分野で重要な役割を果たし、コンピュータビジョン技術の実世界応用をさらに推進することが期待される。