Technische Samenvatting: RANSAC Scoring Done Right

1. Probleemstelling

Het standaard RANSAC-framework (Random Sample Consensus) en de veelgebruikte varianten daarvan (MSAC, MLESAC, MAGSAC++) vertrouwen op het tellen van inliers of het sommeren van afgeknotte fouten om kandidaat geometrische modellen te scoren. Een kritieke beperking van deze "drempelgebaseerde" scorefuncties is hun afhankelijkheid van een door de gebruiker opgegeven hyperparameter die intrinsiek verbonden is aan de inlier-ruischaal ($\sigma$).

In de praktijk is $\sigma$ onbekend en moet deze worden geschat uit vervuilde data of handmatig worden afgesteld. Dit creënd een bottleneck:

• Gevoeligheid voor miskalibratie: De prestaties verslechteren aanzienlijk als de drempelwaarde niet perfect is afgestemd op de werkelijke inlier-schaal.
• Dataschaarste: Het bereiken van bijna optimale prestaties vereist vaak grote validatiesets om de schaal betrouwbaar te schatten, wat onpraktisch is in veel scenario's voor implementatie.
• Structureel gebrek: Eerdere pogingen om $\sigma$ te "marginaliseren" (bijv. MAGSAC++) bleken de afhankelijkheid van $\sigma$ effectief te hebben vervangen door een proxy-hyperparameter, in plaats van de afhankelijkheid te elimineren, waardoor de score nog steeds gekoppeld blijft aan een kwantiel van de inlier-schaal.

2. Methodologie

De auteurs stellen een nieuw scoringframework voor dat de inlier-schaal werkelijk elimineert uit de scoreformule door de standaard volgorde van inferentie om te draaien.

2.1 Probabilistisch Model

De methode hanteert het standaard Gaussian-Uniform (GaU) mengmodel:

• Inliers ($z_i=1$): Volgen een Gaussische verdeling met variantie $\sigma^2$.
• Outliers ($z_i=0$): Volgen een uniforme verdeling over $[-a, a]$, waarbij $a$ de helftbreedte van het outlier-domein is (een parameter die verschilt van $\sigma$).

2.2 Omkeren van de Eliminatievolgorde

Standaard benaderingen (zoals MLESAC of MSAC) elimineren eerst de latente inlier/outlier-labels (via sommatie of maximalisatie) en gaan daarna pas om met $\sigma$, waardoor de score afhankelijk blijft van $\sigma$.
De voorgestelde aanpak:

1. Fixeert de inlier-partitie $I$ (de verzameling inliers).
2. Marginaliseert $\sigma$ analytisch onder een conjugeerde Inverse-Gamma prior $\pi(\sigma^2) = IG(\alpha_0, \beta_0)$.
3. Optimaliseert over partities $I$ om het beste model te vinden.

2.3 De Schaalvrije Marginale Score

Door $\sigma$ te integreren, leiden de auteurs een gesloten vorm, schaalvrije log-likelihood score $S(\theta, I)$ af:
$$S(\theta, I) = \log \Gamma\left(\frac{\nu}{2} + \alpha_0\right) - \left(\frac{\nu}{2} + \alpha_0\right) \log\left(\frac{RSS_I}{2} + \beta_0\right) - \frac{\nu}{2} \log(2\pi) - n_O d_g \log(2a)$$
Waar:

• $\nu = n_I d_g - n_\theta$ zijn de effectieve vrijheidsgraden.
• $RSS_I$ de residu-som van de kwadraten is voor de inliers.
• $n_O$ het aantal outliers is.
• $a$ de outlier-helftbreedte is (niet een proxy voor $\sigma$).

Belangrijke eigenschappen van de score:

• Adaptiviteit: De score beslaat van nature twee regimes op basis van de prior-parameters $(\alpha_0, \beta_0)$:
  • Data-rijke regime: Naarmate $n_I$ groeit, domineert de data de prior en convergeert de score naar de Jeffreys-limiet (niet-informatieve prior, $\alpha_0, \beta_0 \to 0$), wat geen validatiedata vereist.
  • Data-arme regime: Wanneer de inlier-aantallen laag zijn, reguleert een Empirical-Bayes prior (gefit van een kleine validatieset) de schatting van de schaal, wat instorting voorkomt.
• Computationele Efficiëntie: De optimale partitie is altijd een prefix van de gesorteerde residuen. De score kan in $O(N \log N)$ tijd worden berekend met een sort-and-sweep algoritme.

3. Belangrijkste Bijdragen

1. Eerste Echte Marginalisering: Dit is de eerste RANSAC-score waarbij de inlier-schaal $\sigma$ analytisch uit de formule is gemarginaliseerd, in plaats van vervangen te zijn door een proxy-hyperparameter.
2. Verenigd Framework: Eén enkele closed-form expressie past zich aan zowel data-rijke (Jeffreys-limiet) als data-arme (Empirical-Bayes) regimes aan zonder algoritmische wijzigingen.
3. Robuustheid tegen Hyperparameters: De score is structureel ontkoppeld van de inlier-schaal, waardoor deze robuust is tegen miskalibratie van de outlier-helftbreedte $a$.
4. Efficiëntie: De voorgestelde methode behoudt de $O(N \log N)$ complexiteit van standaard sorterende RANSAC-scoring.

4. Experimentele Resultaten

De auteurs evalueerden de methode op bijna 70.000 beeldparen over drie datasets (PhotoTourism, ETH3D, HEB) die homografie, essentiële matrix en fundamentele matrix schatting dekken, gebruikmakend van zowel engineered (RootSIFT, SIFT) als geleerde (SuperPoint+LightGlue) features.

4.1 Robuustheid tegen Miskalibratie (Profielexperiment)

• Data-rijk regime (PhotoTourism, ETH3D): De voorgestelde methoden (Jeffreys, IG-Robust, IG-MLE) bleven bijna vlak over een bereik van twee decaden aan hyperparameterwaarden. In tegenstelling hiertoe vertoonden drempelgebaseerde baselines (RANSAC, MSAC, GaU, MAGSAC++) een significante degradatie in fouten naarmate de hyperparameter afweek van het optimum.
• Data-arm regime (HEB): De IG-Robust variant (gebruikmakend van een median-geankerde prior) presteerde beter dan baselines en andere varianten door de noodzakelijke regularisatie te bieden wanneer het aantal inliers per paar laag was ($\approx 10$).

4.2 Gevoeligheid voor de Grootte van de Validatieset (Gevoeligheidsexperiment)

• Convergentiesnelheid: De voorgestelde methoden bereikten een bijna optimale verwachte testfout met slechts 2 validatieparen.
• Vergelijking met Baselines: Drempelgebaseerde baselines hadden ongeveer 100$\times$ meer validatiedata ($\approx 1024$ paren) nodig om een vergelijkbaar prestatieniveau te bereiken.
• Stabiliteit: De voorgestelde methoden vertoonden een aanzienlijk lagere variantie in testprestaties over verschillende kleine validatiesets vergeleken met de baselines.

5. Betekenis en Claims

Het artikel claimt dat de voorgestelde score een structurele verschuiving in RANSAC-scoring vertegenwoordigt:

• Eliminatie van Schaalafhankelijkheid: In tegenstelling tot eerdere methoden waar de hyperparameter fungeert als een "regelknop" voor de inlier-schaal, laat de voorgestelde score de data het model selecteren, waarbij de hyperparameter ($a$) alleen de magnitude van de score kalibreert.
• Praktische Implementatie: De methode maakt bijna optimale implementatie mogelijk met nul of zeer weinig grondwaarheid-validatieparen, met name in data-rijke scenario's waar de niet-informatieve Jeffreys-limiet volstaat.
• Theoretische Onderbouwing: Het werk corrigeert eerdere misvattingen over marginalisering in RANSAC (specifiek met betrekking tot MAGSAC++) en biedt een theoretisch gefundeerde, closed-form oplossing die informatieve en niet-informatieve priors verenigt.

De auteurs concluderen dat de bottleneck in RANSAC-prestaties niet de keuze van de scoringfunctie op zich is, maar de afhankelijkheid van een goed gekozen inlier-schaal kwantiel. Door deze afhankelijkheid te verwijderen, bereikt de voorgestelde methode een state-of-the-art robuustheid en efficiëntie.