Geometric model fitting is a fundamental task in computer vision, which serves as the pre-requisite of many downstream applications. While the problem has a simple intrinsic structure where the solution can be parameterized within a few degrees of freedom, the ubiquitously existing outliers are the main challenge. In previous studies, random sampling techniques have been established as the practical choice, since optimization-based methods are usually too time-demanding. This prospective study is intended to design efficient algorithms that benefit from a general optimization-based view. In particular, two important types of loss functions are discussed, i.e., truncated and l1 losses, and efficient solvers have been derived for both upon specific approximations. Based on this philosophy, a class of algorithms are introduced to perform deterministic search for the inliers or geometric model. Recommendations are made based on theoretical and experimental analyses. Compared with the existing solutions, the proposed methods are both simple in computation and robust to outliers. Extensive experiments are conducted on publicly available datasets for geometric estimation, which demonstrate the superiority of our methods compared with the state-of-the-art ones. Additionally, we apply our method to the recent benchmark for wide-baseline stereo evaluation, leading to a significant improvement of performance. Our code is publicly available at https://github.com/AoxiangFan/EifficientDeterministicSearch.

中文翻译：

---

用于几何模型拟合的具有鲁棒损失函数的有效确定性搜索。

几何模型拟合是计算机视觉中的一项基本任务，是许多下游应用程序的先决条件。虽然该问题具有简单的内在结构，其中解决方案可以在几个自由度内参数化，但普遍存在的异常值是主要挑战。在以前的研究中，随机抽样技术已被确立为实际选择，因为基于优化的方法通常过于耗时。这项前瞻性研究旨在设计从基于一般优化的观点中受益的有效算法。特别是，讨论了两种重要类型的损失函数，即截断损失函数和 l1 损失函数，并且已经根据特定的近似值推导出了这两种损失函数的有效求解器。基于这一理念，引入了一类算法来对内点或几何模型进行确定性搜索。建议是根据理论和实验分析提出的。与现有解决方案相比，所提出的方法既计算简单，又对异常值具有鲁棒性。在公开可用的几何估计数据集上进行了广泛的实验，这证明了我们的方法与最先进的方法相比的优越性。此外，我们将我们的方法应用于最近的宽基线立体评估基准，从而显着提高了性能。我们的代码在 https://github.com/AoxiangFan/EifficientDeterministicSearch 上公开可用。与现有解决方案相比，所提出的方法既计算简单，又对异常值具有鲁棒性。在公开可用的几何估计数据集上进行了广泛的实验，这证明了我们的方法与最先进的方法相比的优越性。此外，我们将我们的方法应用于最近的宽基线立体评估基准，从而显着提高了性能。我们的代码在 https://github.com/AoxiangFan/EifficientDeterministicSearch 上公开可用。与现有解决方案相比，所提出的方法既计算简单，又对异常值具有鲁棒性。在公开可用的几何估计数据集上进行了广泛的实验，这证明了我们的方法与最先进的方法相比的优越性。此外，我们将我们的方法应用于最近的宽基线立体评估基准，从而显着提高了性能。我们的代码在 https://github.com/AoxiangFan/EifficientDeterministicSearch 上公开可用。我们将我们的方法应用于最近的宽基线立体评估基准，从而显着提高了性能。我们的代码在 https://github.com/AoxiangFan/EifficientDeterministicSearch 上公开可用。我们将我们的方法应用于最近的宽基线立体评估基准，从而显着提高了性能。我们的代码在 https://github.com/AoxiangFan/EifficientDeterministicSearch 上公开可用。