Mode-Seeking on Hypergraphs for Robust Geometric Model Fitting
Xiamen University（厦门大学）；The University of Adelaide（阿德莱德大学）
在本文中，我们提出了一种新的几何模型拟合方法，称为超图模式搜索（MSH），即使在严重的离群点的存在下，处理多结构的数据。该方法将几何模型拟合归结为一个在超图上的模式搜索问题，超图中的顶点表示模型假设，超边表示数据点。MSH通过简单有效的模式搜索算法直观地检测模型实例。除了模式搜索算法之外，MSH还包括超图上顶点之间的相似性度量和权重感知采样技术。所提出的方法不仅消除了对数据分布的敏感性，而且可扩展到大规模的问题。实验结果进一步表明，该方法在合成数据和真实图像上都具有明显的优越性。
2016-03-25 cs.CV
Robust Ellipsoid Fitting Using Axial Distance and Combination
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学）；Beijing Forestry University（北京林业大学）；Shandong University（山东大学）
本文提出轴向距离度量并与Sampson距离组合，构建CAS椭球拟合方法，在合成与真实数据上验证其抗离群点鲁棒性更强、精度更高且速度接近采样一致性方法。
2023-09-22 cs.CV
Robust Ellipsoid-specific Fitting via Expectation Maximization
Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；NLPR, Institute of Automation, CAS（中国科学院自动化研究所模式识别国家重点实验室）；Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院）；BAAI（北京智源人工智能研究院）；College of Artificial Intelligence, Hubei Business College（湖北商贸学院人工智能学院）；School of Mathematical Science, Beihang University（北京航空航天大学数学科学学院）；University of CAS（中国科学院大学）
椭球拟合在机器视觉领域有着广泛的应用，如目标检测和形状逼近等。大多数现有的方法依赖于二次曲面的最小二乘拟合，最小化代数或几何距离，并具有附加约束以将二次曲面强制为椭球体。然而，当轴比超过某些阈值时，它们容易受到离群值和非椭球或有偏结果的影响。为了解决这些问题，我们提出了一种新的和强大的方法在嘈杂的，离群污染的3D环境中的椭球拟合。我们显式地通过输入数据的核密度估计（KDE）对椭球体进行建模。椭球体拟合被转换为没有额外约束的最大似然估计（MLE）问题，其中添加加权项以抑制离群值，然后通过期望最大化（EM）框架有效地解决。此外，我们引入矢量ε技术，以加快收敛的原始EM。通过大量的实验将该方法与具有代表性的最先进的方法进行了比较，结果表明，该方法是椭圆特定的，无参数的，并且对噪声，离群值和大轴比更鲁棒。我们的实现可以在https://zikai1.github.io/上获得。
2021-10-26 cs.CV
CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus
Leibniz University Hannover（莱布尼茨汉诺威大学）；Heidelberg University（海德堡大学）；University of Twente（屯特大学）
我们提出了一个强大的估计拟合多个参数模型的相同形式的噪声测量。应用包括在人造场景中寻找多个消失点，将平面拟合到建筑图像，或估计同一序列中的多个刚体运动。与以前的作品，采用手工制作的搜索策略多模型检测，我们学习的搜索策略从数据。以先前检测到的模型为条件的神经网络将RANSAC估计器引导到所有测量的不同子集，从而一个接一个地找到模型实例。我们训练我们的方法监督以及自我监督。对于搜索策略的监督训练，我们贡献了一个新的数据集用于消失点估计。利用这个数据集，该算法是优于其他强大的估计，以及指定的消失点估计算法。对于搜索的自监督学习，我们评估了所提出的算法的多单应性估计，并证明了优于国家的最先进的方法的准确性。
2020-03-25 cs.CV
Effective Sampling: Fast Segmentation Using Robust Geometric Model Fitting
RMIT University（皇家墨尔本理工大学）
在一组被噪声和异常值污染的数据点中识别底层模型，导致高度复杂的多模型拟合问题。这个问题可以作为一个聚类问题的投影数据点之间的高阶亲和力到一个图，然后可以使用谱聚类聚类。计算所有可能的高阶亲和力在计算上是昂贵的。因此，在大多数情况下，仅使用子集。在本文中，我们提出了一种有效的采样方法，以获得一个高精度的近似的全图需要解决多结构模型拟合问题，在计算机视觉。所提出的方法是基于这样的观察，即用于分割的图的有用性随着假设的分布（用于构建图）接近给定数据的实际参数的分布而提高。在本文中，我们近似这个实际的参数分布使用的k阶统计量为基础的成本函数和样本生成使用贪心算法加上数据子采样策略。实验分析表明，该方法是准确的和计算效率相比，最先进的鲁棒多模型拟合技术。该代码可从https://github.com/RuwanT/model-fitting-cbs公开获取。
2017-05-26 cs.CV
ETCH-X: Robustify Expressive Body Fitting to Clothed Humans with Composable Datasets
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Shanghai Innovation Institute（上海创新研究院）；Fudan University（复旦大学）；Nanjing University（南京大学）
本文提出ETCH-X，通过引入紧致性感知拟合范式、SMPL-X扩展和隐式密集对应关系，提升身体拟合的鲁棒性和细节表达，实现对衣物动态、姿态变化和噪声输入的高效处理。
2026-04-10 cs.CV
Nonnegative Matrix Underapproximation for Robust Multiple Model Fitting
Flatiron Institute（弗拉特研究所）；Duke University（杜克大学）；Simons Foundation（西蒙斯基金会）
在这项工作中，我们引入了一个高效的算法来解决非负矩阵欠近似（NMU）问题，即，非负矩阵分解（NMF）与一个额外的欠近似约束。NMU结果很有趣，因为与传统的NMF相比，它们呈现了额外的稀疏性和基于部分的行为，解释了独特的数据特征。为了在实践中展示这些功能，我们首先提出了一个应用程序的气候数据的分析。然后，我们提出了一个基于NMU的算法来鲁棒地拟合多个参数模型的数据集。所提出的方法提供了国家的最先进的结果，多个基本矩阵和单应性的估计，优于其他替代品在文献中，并举例说明使用高效的NMU计算。
2017-04-10 cs.CV
Robust Fitting on a Gate Quantum Computer
The University of Adelaide（阿德莱德大学）
本文提出一维 $\ell_\infty$ 可行性测试的量子电路，首次在 IonQ Aria 门量子计算机上实现量子鲁棒拟合，并通过累积一维布尔影响力扩展到高维非线性模型，在真实基准数据集上验证有效。
2024-09-03 cs.CV
Event-driven Robust Fitting on Neuromorphic Hardware
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；Intel Labs（英特尔实验室）
针对鲁棒拟合的能效问题，提出适配Intel Loihi 2神经形态硬件的事件驱动脉冲神经网络与算法优化策略，同等精度下能耗仅为CPU经典算法的15%。
2025-10-05 cs.CV cs.NE
Outlier-Robust Multi-Model Fitting on Quantum Annealers
MPI for Informatics, SIC（马克斯·普朗克信息研究所，SIC）；Saarland University（萨尔兰大学）；Politecnico di Milano（米兰理工学院）
针对计算机视觉中多模型拟合（MMF）的组合挑战及现有量子方法的局限性，提出鲁棒量子多模型拟合（R-QuMF）算法，无需预先知晓模型数量，通过绝热量子计算机的最大集合覆盖任务处理离群点，在合成与真实3D数据集上性能优于现有量子技术。
2025-04-18 cs.CV
Robust Multi-Model Fitting through Learning Neighbor Regions
Shanghai Jiao Tong University（上海交通大学）；Cambridge University（剑桥大学）
针对多模型拟合中特征利用不足、优化低效、模型重叠和非可微流程问题，提出学习邻域区域（LNR）粗到细框架，通过神经网络预选优质最小集并编码邻域区域特征，实现最先进性能。
2026-09-15 cs.CV
Quantum Multi-Model Fitting
University of Trento（特伦托大学）；Politecnico di Milano（米兰理工大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；MPI for Informatics, SIC（马克斯·普朗克信息学研究所 萨尔兰信息学中心）
几何模型拟合是计算机视觉中一个具有挑战性的基本问题。最近，量子优化已被证明可以增强单个模型的鲁棒拟合，同时保留多模型拟合的问题。为了应对这一挑战，本文表明，后者的情况下可以显着受益于量子硬件，并提出了多模型拟合（MMF）的第一个量子方法。我们制定的MMF作为一个问题，可以有效地采样现代绝热量子计算机没有放松的目标函数。我们还提出了一个迭代和分解的版本，我们的方法，它支持现实世界的大小的问题。实验评估在各种数据集上显示出有希望的结果。源代码可在https://github.com/FarinaMatteo/qmmf上获得。
2023-03-27 cs.CV
Searching for Representative Modes on Hypergraphs for Robust Geometric Model Fitting
Xiamen University（厦门大学）；The University of Adelaide（阿德莱德大学）
本文提出了一种简单有效的{几何}模型拟合方法来拟合和分割多结构数据，即使在严重的离群值的存在。我们将几何模型拟合问题转化为超图上典型的模式搜索问题。具体地说，首先构造一个超图，其中顶点表示模型假设，超边表示数据点。超图涉及高阶相似性（而不是简单图上使用的成对相似性），它可以表征模型假设和数据点之间的复杂关系。{In此外，我们发展了一种超图简化技术，以去除超图中的“不重要”顶点，同时保留尽可能多的“重要”顶点。基于简化超图，我们提出了一种新的模式搜索算法，在合理的时间内搜索代表模式。最后，提出的模式搜索算法根据两个关键元素来检测模式，即，顶点的加权得分和顶点之间的相似性分析。总体而言，所提出的拟合方法能够高效地同时估计数据中模型实例的数量和参数。实验结果表明，该方法在合成数据和真实图像上均取得了明显优于{几}种最先进的模型拟合方法的效果。
2018-02-04 cs.CV
Robust Fitting in Computer Vision: Easy or Hard?
The University of Adelaide（阿德莱德大学）
鲁棒模型拟合在计算机视觉中起着至关重要的作用，对鲁棒拟合算法的研究一直很活跃。可以说，计算机视觉中最流行的鲁棒拟合范例是共识最大化，它致力于找到使内点数量最大化的模型参数。尽管共识最大化算法有了重大发展，但在计算机视觉文献中缺乏对该问题的基本分析。特别是，共识最大化是否是“易处理的”仍然是一个问题，没有严格处理，从而使其难以评估和比较所提出的算法的性能，相对于什么是理论上可以实现的。为了阐明这些问题，我们提出了几个计算硬度的共识最大化的结果。我们的研究结果强调了这个问题的根本棘手性，并解决了文献中存在的几个歧义。
2018-07-23 cs.CC cs.CV
Deterministic Approximate Methods for Maximum Consensus Robust Fitting
The University of Adelaide（阿德莱德大学）；Queensland University of Technology（昆士兰科技大学）
最大一致性估计在计算机视觉的鲁棒拟合问题中起着至关重要的作用。目前，共识最大化的最流行的算法来自随机假设和验证算法，这是便宜的，但通常只能提供粗略的近似解。在另一个极端，有一些精确的算法，它们本质上是穷举搜索，对于实际大小的输入来说可能是昂贵的。本文通过提出确定性算法来近似优化最大一致性准则，从而填补了这两个极端之间的空白。我们的工作首先重新制定共识最大化线性互补约束。然后，我们提出了两种新的算法：一种是基于非光滑罚函数的Frank-Wolfe型优化算法，另一种是基于交替方向乘子法（ADMM）。这两种算法解决凸子问题，有效地执行优化。我们证明了我们的算法的能力，大大提高了粗糙的初始估计，如使用最小二乘法或随机算法。与精确算法相比，我们的方法在实际输入大小上更加实用。此外，我们的方法是自然适用于估计问题的几何残差
2018-10-23 cs.CV
PARSAC: Accelerating Robust Multi-Model Fitting with Parallel Sample Consensus
Leibniz University Hannover（汉诺威莱布尼茨大学）
针对传统多几何模型拟合迭代方法难以并行加速的问题，提出PARSAC并行方法，用神经网络预测权重分割数据并类RANSAC求解参数，还构建新合成数据集，实现SOTA性能与毫秒级推理。
2024-01-26 cs.CV
Unsupervised Learning for Robust Fitting:A Reinforcement Learning Approach
Chalmers University of Technology（查尔姆斯理工大学）
鲁棒模型拟合是大量计算机视觉应用中的核心算法。然而，由于潜在的计算复杂性，对于被异常值高度污染的数据集有效地解决这个问题仍然具有挑战性。最近的文献集中在基于学习的算法。然而，大多数方法都是有监督的，这需要大量的标记训练数据。在本文中，我们介绍了一种新的无监督学习框架，学习直接解决鲁棒模型拟合。与其他方法不同，我们的工作是不可知的基本输入功能，可以很容易地推广到各种各样的LP型问题的准凸残差。我们的经验表明，我们的方法优于现有的无监督学习方法，并取得了竞争力的结果相比，传统的方法在几个重要的计算机视觉问题。
2021-03-05 cs.AI cs.CV
Cuboids Revisited: Learning Robust 3D Shape Fitting to Single RGB Images
Leibniz University Hannover（莱布尼茨汉诺威大学）；Niantic；University of Twente（特文特大学）
人类感知和构建周围的世界作为一个简单的参数模型的安排。特别地，人造环境通常由诸如长方体或圆柱体的体积基元组成。推理这些原语是获得高层次、抽象场景描述的重要步骤。以前的方法直接从2D或3D输入中估计形状参数，并且只能再现简单的对象，但无法准确地解析更复杂的3D场景。相比之下，我们提出了一个鲁棒的估计原始拟合，它可以有意义地抽象现实世界的环境中使用长方体。由神经网络引导的RANSAC估计器将这些基元拟合到3D特征，诸如深度图。我们根据先前检测到的场景部分来调节网络，从而逐个解析它。为了从单个RGB图像中获得3D特征，我们还以端到端的方式优化了特征提取CNN。然而，天真地最小化点到图元的距离会导致大的或虚假的长方体遮挡后面场景的部分。因此，我们提出了一个闭塞感知距离度量正确处理不透明的场景。所提出的算法不需要劳动密集型的标签，如长方体注释，用于训练。在具有挑战性的NYU Depth v2数据集上的结果表明，所提出的算法成功地抽象了杂乱的现实世界3D场景布局。
2021-05-05 cs.CV
Deterministic Hypothesis Generation for Robust Fitting of Multiple Structures
我们提出了一种新的算法，用于生成多结构模型拟合的鲁棒性和一致性假设。现有的方法大多采用随机抽样，特别是当离群值比率较高时，会产生不同的结果。对于拟合模型的结构，当存在多个结构时，其他结构的内点被视为离群点。最近已经研究了全局优化以提供稳定和唯一的解决方案，但是对于具有合理大小的大多数图像数据，算法的计算成本过高。本文提出的算法使用最大可行子系统（MaxFS）算法，仅从空间重叠的局部图像区域中的部分数据集生成一致的初始假设。我们的假设是，每一个真正的结构将作为主导结构存在于至少一个局部区域中。为了改进从部分数据集估计的初始假设并去除MaxFS算法的残余公差依赖性，对所有图像数据执行迭代重新加权L1（IRL1）最小化。IRL 1框架的初始权重由局部区域产生的初始假设确定。我们的方法比那些只对所有图像数据进行全局优化的方法效率要高得多。实验结果表明，与随机抽样方法相比，该方法能更好地估计单个和多个结构，并能更好地处理大量离群数据。在实验中，我们清楚地揭示了算法参数设置对结果的影响。
2018-07-25 cs.CV
Event Data Association via Robust Model Fitting for Event-based Object Tracking
Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文提出一种新颖的事件数据关联（EDA）方法，通过基于信息熵的异步融合、确定性模型假设生成与两阶段加权算法解决事件关联与融合问题，并在目标跟踪任务中验证了其在高速、运动模糊及高动态范围等挑战场景下的有效性。
2025-06-27 cs.CV
Robust Shape Fitting for 3D Scene Abstraction
Institute of Information Processing, Leibniz University Hannover（汉诺威莱布尼茨大学信息处理研究所）；Niantic, Inc.（Niantic公司）；University of Bath（巴斯大学）
提出一种基于神经网络引导的RANSAC鲁棒估计器，用立方体拟合深度图以抽象复杂3D场景，并引入遮挡感知距离度量和立方体求解器，在NYU Depth v2数据集上验证了有效性。
2024-03-15 cs.CV
KBody: Towards general, robust, and aligned monocular whole-body estimation
UC Berkeley（加州大学伯克利分校）
本文提出 KBody，通过预测与优化、虚拟关节、姿态形状解耦及非对称距离场，实现通用、鲁棒且像素对齐的单目全身人体模型拟合。
2024-06-15 cs.CV
Robust Model-based Face Reconstruction through Weakly-Supervised Outlier Segmentation
Southeast University（东南大学）；University of Basel（巴塞尔大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；University of Freiburg（弗莱堡大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
在这项工作中，我们的目标是通过避免将模型拟合到离群值来增强基于模型的人脸重建，离群值即模型无法很好表达的区域，如遮挡物或化妆。本地化离群值的核心挑战是，它们是高度可变的，难以注释。为了克服这一难题，我们引入了一种联合的人脸自动编码和离群点分割方法（FOCUS），特别是利用了离群点不能很好地被人脸模型拟合的事实，从而可以很好地定位出高质量的模型拟合。主要的挑战是模型拟合和离群值分割相互依赖，需要联合推断。我们用EM型训练策略解决了这个鸡和蛋的问题，其中人脸自动编码器与离群分割网络联合训练。这导致了协同效应，其中分割网络防止面部编码器拟合离群值，从而提高了重建质量。改进的3D人脸重建反过来又使分割网络能够更好地预测离群值。为了解决异常值和难以拟合的区域（如眉毛）之间的模糊性，我们从合成数据中构建了一个统计先验，该先验测量模型拟合中的系统偏差。在NoW测试集上的实验表明，FOCUS在没有3D标注的情况下训练的所有基线中实现了SOTA 3D人脸重建性能。此外，我们在CelebA-HQ和AR数据库上的结果表明，尽管在没有任何分割注释的情况下进行训练，分割网络仍然可以准确地定位遮挡物。
2023-03-21 cs.CV
A Bayesian Approach Toward Robust Multidimensional Ellipsoid-Specific Fitting
Hong Kong Institute of Science & Innovation Chinese Academy of Sciences（中国科学院香港创新研究院）；Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院）；BAAI（北京智源人工智能研究院）；Peking University（北京大学）；School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；Institute of Automation, CAS（中国科学院自动化研究所）
本文提出一种基于贝叶斯框架的多维椭球特定拟合方法，通过均匀先验约束和预测分布上的均匀分布增强对噪声与异常值的鲁棒性，并引入ε加速技术提升EM收敛速度，在多维空间及多种实际应用中验证了其有效性。
2024-07-27 cs.CV stat.ME
3D-Aware Neural Body Fitting for Occlusion Robust 3D Human Pose Estimation
Johns Hopkins University（约翰斯·霍普金斯大学）；Beihang University（北京航空航天大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；University of Freiburg（弗莱堡大学）
针对现有3D人体姿态估计方法在遮挡下性能下降或存在2D-3D歧义的问题，提出3D感知神经人体拟合方法3DNBF，通过带高斯椭球核的体积人体表示生成特征，结合对比学习实现3D感知，在遮挡与标准基准上均取得更优性能。
2023-08-19 cs.AI cs.CV
Spline Error Weighting for Robust Visual-Inertial Fusion
Linköping University（林雪平大学）
在本文中，我们推导和测试的概率为基础的加权，可以平衡不同类型的样条拟合残差。与以前的配方相比，建议的样条误差加权方案还包括预测的样条拟合的近似误差。我们在合成实验中证明了预测的有效性，并将其应用于滚动快门相机的视觉-惯性融合。这导致了一种可以在通用第一人称视频上估计具有度量尺度的3D结构的方法。我们还提出了一个样条拟合的质量度量，可以用来自动选择节点间距。实验证明，所获得的弹道质量与所要求的质量相一致。最后，通过线性缩放的权重，我们表明，建议的样条误差加权最小化的估计误差的真实序列，在规模和端点误差。
2018-04-13 cs.CV
EllSeg: An Ellipse Segmentation Framework for Robust Gaze Tracking
Rochester Institute of Technology（罗切斯特理工学院）
椭圆拟合是基于瞳孔或虹膜跟踪的视频眼电图中的重要组成部分，其在使用各种计算机视觉技术生成的先前分割的眼睛部分上执行。几个因素，如由于眼睑形状，相机位置或睫毛的遮挡，经常打破椭圆拟合算法，依赖于明确定义的瞳孔或虹膜边缘段。在这项工作中，我们提出训练一个卷积神经网络来直接分割整个椭圆结构，并证明了这样一个框架对遮挡是鲁棒的，并提供了优越的瞳孔和虹膜跟踪性能（在两像素误差容限内，瞳孔和虹膜中心检测率分别增加至少10 $\%$和24 $\%$）与使用标准眼睛部分分割用于多个公开可用的合成分割数据集相比。
2022-05-04 cs.CV cs.LG
