边缘化样本共识：一种鲁棒估计方法MAGSAC++
2021-08-11 IEEE Trans Pattern Anal Mach Intell . 2021 Aug 10;PP.
提出了一种新的鲁棒估计方法 MAGSAC++。它引入了一种新的模型质量（评分）函数，它不会做出内部-异常值决策，以及一种新的边缘化过程，该过程被制定为 M 估计，其中包含通过迭代重新加权求解的新型 M
中文标题：
边缘化样本共识：一种鲁棒估计方法MAGSAC++
发布日期：
2021-08-11
简要介绍：
提出了一种新的鲁棒估计方法 MAGSAC++。它引入了一种新的模型质量（评分）函数，它不会做出内部-异常值决策，以及一种新的边缘化过程，该过程被制定为 M 估计，其中包含通过迭代重新加权求解的新型 M 估计量（稳健核）最小二乘法。它只需要可以从更宽的范围中选择的松散上限，而不是内点-离群点阈值。
此外，我们提出了一种新的终止标准和一种技术，用于以数据驱动的方式选择一组内点作为稳健估计完成后的后处理步骤。在许多公开可用的单应性、基本矩阵拟合和相对姿势的真实世界数据集上，MAGSAC++ 产生的结果优于最先进的鲁棒方法。它在几何上更准确，失败次数更少，而且速度通常更快。结果表明，与其他最先进的算法相比，MAGSAC++ 对阈值上限的设置的敏感度要低得多。因此，更容易应用于未见过的问题和场景，而无需手动获取有关 inlier-outlier 阈值设置的信息。 C++ 和 Python 中的源代码和示例可从 https://github.com/danini/magsac 获得。
