在計算機視覺領域，RANSAC（隨機樣本一致性）演算法是從包含大量異常值的資料中穩健估計模型引數的經典方法。其核心思想是透過隨機取樣生成候選模型，然後根據某種評分函式選擇最佳模型。然而，傳統RANSAC及其變體（如MSAC、MAGSAC）的評分函式通常依賴於使用者提供的尺度引數，該引數決定了內點與異常值的區分閾值。這個引數的選擇極為關鍵，卻又難以事先確定，因為內點尺度本身必須從被汙染的資料中估計，這給實際應用帶來了很大的不確定性。
近日，James Pritts等人在arXiv上發表的論文“RANSAC Scoring Done Right”提出了一種全新的評分方法，徹底擺脫了對使用者提供尺度引數的依賴。他們的創新在於反轉了傳統的推理順序：不再先估計內點尺度再據此評分，而是在固定內點劃分的前提下，利用共軛逆伽馬先驗分佈，透過閉合形式解析地邊緣化內點尺度，然後最佳化劃分。這種方法的一個關鍵優勢是，同一個閉合形式的表示式既能涵蓋非資訊性的Jeffreys極限（適用於資料豐富的情況），也能涵蓋資訊性的經驗貝葉斯先驗（適用於資料稀缺的情況），因此演算法無需任何修改即可適應不同的資料條件。
新提出的評分函式是首個真正將內點尺度從公式中消除的方法。它透過排序-掃描策略達到了O(N log N)的計算複雜度，使得在大規模資料集上的應用成為可能。為了驗證其有效性，研究團隊在近7萬對影像上進行了全面基準測試，涵蓋了不同的兩檢視幾何估計問題以及基於手工設計特徵和深度學習特徵的匹配管道。實驗結果表明，新方法在多個關鍵指標上顯著超越了現有的RANSAC、MSAC、GaU和MAGSAC等方法：當閾值校準不準確時，基線方法的效能急劇下降，而新方法幾乎保持穩定；僅需兩個驗證對即可達到接近最優的精度，而基線方法通常需要大約100倍更多的驗證對；當驗證資料稀缺時，新方法會自然地加強先驗正則化，從而保持魯棒性。
這項研究的價值在於，它為RANSAC演算法的實際應用提供了更可靠且更易用的評分策略。使用者不再需要手動調整或估計尺度引數，從而降低了使用門檻並減少了人為誤差。此外，該方法的計算效率與現有方法相當，使得它可以直接替換現有RANSAC實現中的評分模組，而無需改變整體演算法框架。展望未來，這一新評分機制有望在機器人、自動駕駛、三維重建等依賴穩健模型估計的領域發揮重要作用，推動計算機視覺技術在實際場景中的更廣泛應用。