Robust Ellipse Fitting Based on Maximum Correntropy Criterion With Variable Center
Ningbo University（宁波大学）；University of Missouri（密苏里大学）
针对离群点影响椭圆拟合性能的问题，提出基于带可变中心的最大相关熵准则的鲁棒椭圆拟合方法，通过交替求解非凸优化子问题及松弛混合整数规划处理单椭圆与耦合椭圆拟合，在模拟和真实数据上表现显著优于现有方法。
2022-10-24 cs.CV
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
Hybrid calibration procedure for fringe projection profilometry based on stereo-vision and polynomial fitting
Universidad Tecnológica de Bolívar（玻利瓦尔技术大学）；Purdue University（普渡大学）
在条纹投影轮廓术（FPP）中，准确测量三维面形的关键是测量系统的正确标定。当前的校准技术依赖于相位坐标映射（PCM）或反向投影立体视觉（SV）方法。PCM方法实施起来很麻烦，因为它们需要校准目标相对于FPP系统的精确定位，但在校准体积内产生高度精确的测量。SV方法通常不能达到相同的精度水平。然而，校准更加灵活，因为校准目标可以任意定位。在这项工作中，我们提出了一种混合校准方法，利用SV校准方法使用PCM方法，以实现更高的精度。该方法具有SV方法的灵活性，对透镜畸变具有鲁棒性，并且恢复的相位与度量坐标之间具有简单的关系。实验结果表明，由于计算复杂度低，所提出的混合方法在准确性和重建时间方面优于SV方法。
2020-03-09 cs.CV eess.IV physics.ins-det
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
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
HybridReg: Robust 3D Point Cloud Registration with Hybrid Motions
University of Electronic Science and Technology of China（电子科技大学）；Megvii Technology（旷视科技）
本文提出HybridReg，通过不确定性掩码学习处理背景刚性与前景非刚性/刚性混合运动，并构建HybridMatch场景级数据集，在室内外数据集上实现最先进的鲁棒点云配准性能。
2025-03-10 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
A Robust Alternating Direction Method for Constrained Hybrid Variational Deblurring Model
Wuhan University of Technology（武汉理工大学）；Wuhan University（武汉大学）
在这项工作中，一个新的约束混合变分去模糊模型，结合非凸的一阶和二阶全变分正则化。此外，一个盒子约束施加在所提出的模型，以保证高的去模糊性能。所开发的约束混合变分模型可以在保留图像细节和减轻振铃伪影之间实现良好的平衡。在下文中，我们通过采用基于乘子交替方向法的迭代重加权算法来给出相应的数值解。实验结果表明，所提出的方法在定量和定性的图像质量评估方面的优越性能。
2013-10-02 cs.CV
Hybrid Rotation Averaging: A Fast and Robust Rotation Averaging Approach
Peking University（北京大学）；TuSimple（图森未来）；ShanghaiTech University（上海科技大学）
我们解决旋转平均（RA）及其应用到现实世界的三维重建。基于局部优化的方法是事实上的选择，尽管它们只能保证局部最优。全局优化器确保在低噪声条件下的全局最优性，但它们效率低下，并且可能容易在异常值或噪声水平升高的影响下偏离。我们推动旋转平均的信封，利用全球RA方法和本地RA方法的优点。结合快速视图图过滤作为预处理，所提出的混合方法对离群点具有鲁棒性。我们进一步将所提出的混合旋转平均方法应用于增量式运动恢复结构（SfM），通过将所得到的全局旋转作为正则化因子加入到光束法平差中，提高了SfM的精度和鲁棒性。总的来说，我们证明了所提出的方法的实用性，因为坏的相机姿势被有效地校正，漂移被减少。
2021-03-27 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
Fast geometric trim fitting using partial incremental sorting and accumulation
ShanghaiTech University（上海科技大学）
我们提出了一个算法的贡献，以提高效率的鲁棒修剪拟合在离群影响的几何回归问题。该方法严重依赖于快速排序算法，我们提出了两个重要的见解。首先，部分排序对于第x个百分位值的增量计算是足够的。其次，线性拟合问题中的正规方程可以通过在排序期间记录跨第x个百分位边界的交换操作来增量地更新。除了线性拟合问题，我们演示了如何将该技术可以另外应用于封闭形式，非线性能量最小化问题，从而实现高效的修剪拟合几何最优目标。我们将我们的方法应用到两个不同的相机切除算法，并展示了高效可靠的几何修剪拟合。
2022-09-05 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
HybridTrack: A Hybrid Approach for Robust Multi-Object Tracking
Department of Electronics and Informatics, Vrije Universiteit Brussel（电子与信息系，布鲁塞尔自由大学）；IMEC
提出HybridTrack，一种集成数据驱动卡尔曼滤波的3D多目标跟踪方法，在KITTI上达到82.72% HOTA和112 FPS，消除场景特定设计依赖，提升性能与实时性。
2025-05-26 cs.CV cs.RO
Federated Hybrid Training and Self-Adversarial Distillation: Towards Robust Edge Networks
Kyung Hee University（庆熙大学）；University of Houston（休斯顿大学）
本文提出 FedBAT 框架，将混合对抗训练与自对抗蒸馏融入联邦学习，以缓解数据异质性和对抗攻击影响，从而提升全局模型的鲁棒性与泛化能力。
2024-12-26 cs.CV cs.LG
Semi-Implicit Hybrid Gradient Methods with Application to Adversarial Robustness
KAIST（韩国科学技术院）；SI Analytics, Inc.（SI Analytics公司）
通过向自然输入添加难以察觉的扰动来制作的对抗性示例可以轻松地欺骗深度神经网络（DNN）。训练对抗鲁棒DNN的最成功的方法之一是使用对抗训练（AT）算法解决非凸-非凹极大极小问题。然而，在许多AT算法中，只有动态AT（DAT）和你只计算一次（YOPO）保证收敛到一个稳定点。在这项工作中，我们推广了随机原始-对偶混合梯度算法，发展半隐式混合梯度方法（SI-HGs），寻找非凸-非凹极大极小问题的稳定点。SI-HG具有收敛速率$O(1/K)$，其改进了DAT和YOPO的速率$O(1/K^{1/2})$。我们设计了一个实用的变体SI-HGs，并表明它优于其他AT算法的收敛速度和鲁棒性。
2022-02-21 cs.AI cs.CV cs.LG
