技術要約: 正しく行われるRANSACスコアリング

1. 問題提起

標準的なRANSAC（Random Sample Consensus）フレームワークおよび、広く用いられているその派生手法（MSAC, MLESAC, MAGSAC++）は、候補となる幾何学的モデルをインライアの数、あるいは切断誤差の総和によってスコアリングするという手法に依存しています。これらの「閾値ベース」のスコアリング関数における決定的な限界は、ユーザーが指定するハイパーパラメータが、インライアのノイズスケール ($\sigma$) と本質的に結びついていることです。

実用上、$\sigma$ は未知であり、汚染されたデータから推定するか、手動でチューニングする必要があります。これがボトルネックを生み出します：

• 較正ミスへの敏感さ: 閾値が真のインライアスケールに対して完璧に調整されていない場合、性能が著しく低下します。
• データの希少性: 最適に近い性能を達成するには、スケールを確実に推定するために大規模な検証セットが必要となることが多く、これは多くのデプロイメントシナリオにおいて非現実的です。
• 構造的な欠陥: $\sigma$ を「周辺化」しようとする以前の試み（例：MAGSAC++）は、$\sigma$ への依存を排除するのではなく、$\sigma$ のプロキシ（代理）ハイパーパラメータに置き換えているに過ぎないことが示されており、スコアは依然としてインライアスケールの分位点に縛られています。

2. 手法

著者らは、推論の標準的な順序を逆転させることで、スコアリング式からインライアスケールを真に排除する新しいスコアリングフレームワークを提案しています。

2.1 確率モデル

本手法は、標準的なガウス・一様（Gaussian-Uniform, GaU）混合モデルを採用しています：

• インライア ($z_i=1$): 分散 $\sigma^2$ を持つガウス分布に従います。
• アウトライア ($z_i=0$): $[-a, a]$ の範囲における一様分布に従います。ここで、$a$ はアウトライア領域の半幅であり、$\sigma$ とは異なるパラメータです。

2.2 排除順序の逆転

標準的なアプローチ（MLESACやMSACなど）は、まず潜在的なインライア/アウトライアのラベルを（総和または最大化を通じて）排除し、その後に $\sigma$ を扱うため、結果として $\sigma$ に依存するスコアが残ります。
提案手法の手順は以下の通りです：

1. インライアの分割 $I$ （インライアの集合）を固定する。
2. 共役逆ガンマ事前分布 $\pi(\sigma^2) = IG(\alpha_0, \beta_0)$ の下で $\sigma$ を解析的に周辺化する。
3. 最良のモデルを見つけるために、分割 $I$ について最適化を行う。

2.3 スケールフリーな周辺化スコア

$\sigma$ を積分除去することで、著者らは閉形式のスケールフリーな対数尤度スコア $S(\theta, I)$ を導出しています：
$$S(\theta, I) = \log \Gamma\left(\frac{\nu}{2} + \alpha_0\right) - \left(\frac{\nu}{2} + \alpha_0\right) \log\left(\frac{RSS_I}{2} + \beta_0\right) - \frac{\nu}{2} \log(2\pi) - n_O d_g \log(2a)$$
ここで：

• $\nu = n_I d_g - n_\theta$ は有効自由度です。
• $RSS_I$ はインライアの残差平方和です。
• $n_O$ はアウトライアの数です。
• $a$ はアウトライアの半幅です（$\sigma$ のプロキシではありません）。

スコアの主な特性:

• 適応性: スコアは、事前パラメータ $(\alpha_0, \beta_0)$ に基づいて自然に2つのレジームを跨ぎます：
  • データ豊富なレジーム: $n_I$ が大きくなるにつれ、データが事前分布を支配し、スコアはジェフリーズ極限（非情報的事前分布、$\alpha_0, \beta_0 \to 0$）に収束し、検証データを必要としません。
  • データが乏しいレジーム: インライア数が少ない場合、経験ベイズ事前分布（小さな検証セットから適合させたもの）がスケールの推定を正則化し、崩壊を防ぎます。
• 計算効率: 最適な分割は常にソートされた残差のプレフィックス（接頭辞）となります。スコアは、ソート・アンド・スイープアルゴリズムを用いて $O(N \log N)$ の時間で計算可能です。

3. 主な貢献

1. 初の真の周辺化: これは、インライアスケール $\sigma$ が式の中でプロキシ・ハイパーパラメータに置き換えられるのではなく、解析的に周辺化される最初のRANSACスコアです。
2. 統一されたフレームワーク: 単一の閉形式の式が、アルゴリズムの変更なしに、データ豊富な（ジェフリーズ極限）レジムとデータが乏しい（経験ベイズ）レジムの両方に適応します。
3. ハイパーパラメータに対する堅牢性: スコアは構造的にインライアスケールから切り離されているため、アウトライア半幅 $a$ の較正ミスに対して堅牢です。
4. 効率性: 提案手法は、標準的なソートベースのRANSACスコアリングの $O(N \log N)$ の複雑さを維持しています。

4. 実験結果

著者らは、ホモグラフィ、基本行列（Essential Matrix）、および基礎行列（Fundamental Matrix）の推定をカバーする3つのデータセット（PhotoTourism, ETH3D, HEB）を用い、設計された特徴量（RootSIFT, SIFT）と学習された特徴量（SuperPoint+LightGlue）の両方を用いて、計約70,000組の画像ペアで本手法を評価しました。

4.1 較正ミスに対する堅牢性（プロファイル実験）

• データ豊富なレジーム (PhotoTourism, ETH3D): 提案手法（Jeffreys, IG-Robust, IG-MLE）は、ハイパーパラメータの値が2桁の範囲にわたってほぼ平坦でした。対照的に、閾値ベースのベースライン（RANSAC, MSAC, GaU, MAGSAC++）は、ハイパーパラメータが最適値から外れるにつれて、顕著なエラーの悪化を示しました。
• データが乏しいレジーム (HEB): IG-Robust バリアント（中央値に基づいた事前分布を使用）は、インライア数が少ない（$\approx 10$）場合でも、必要な正則化を提供することで、ベースラインや他のバリアントよりも優れた性能を示しました。

4.2 検証セットのサイズに対する感度（感度実験）

• 収束速度: 提案手法は、わずか2組の検証ペアで、最適に近い期待テスト誤差に到達しました。
• ベースラインとの比較: 閾値ベースのベースラインが同等の性能レベルに収束するためには、約100倍多くの検証データ（$\approx 1024$ ペア）を必要としました。
• 安定性: 提案手法は、異なる小さな検証セット間において、ベースラインと比較してテスト性能の分散が著しく低いことを示しました。

5. 意義と主張

本論文は、提案されたスコアがRANSACスコアリングにおける構造的な転換を象徴していると主張しています：

• スケール依存性の排除: ハイパーパラメータがインライアスケールの「チューニングノブ」として機能する従来のメソッドとは異なり、提案されたスコアは、データがモデル選択を決定することを可能にします。ここでは、ハイパーパラメータ（$a$）はスコアの大きさを較正する役割のみを果たします。
• 実用的なデプロイメント: 本手法は、特にデータが豊富なシナリオにおいて、ゼロまたは極めて少ないグラウンドトゥルース検証ペアで、最適に近いデプロイメントを可能にします。
• 理論的な妥当性: 本研究は、RANSAC（特にMAGSAC++に関して）における周辺化に関する以前の誤解を正し、情報的および非情報的な事前分布を統一する、理論的に裏付けられた閉形式の解を提供します。

著者らは、RANSACの性能におけるボトルネックは、スコアリング関数の選択そのものではなく、適切に選択されたインライアスケールの分位点への依存にあると結論付けています。この依存性を排除することで、提案手法は最先端の堅牢性と効率性を達成しています。