RANSAC(Random Sample Consensus)은 컴퓨터 비전 분야에서 널리 사용되는 알고리즘으로, 오염된 데이터(outlier가 포함된 데이터) 속에서 모델 파라미터를 강건하게 추정하는 데 핵심적인 역할을 합니다. 하지만 기존 RANSAC 변형들은 모델을 평가할 때 '인라이어 스케일(inlier scale)'이라는 사용자 정의 매개변수에 크게 의존해왔습니다. 이 스케일은 데이터에서 직접 추정해야 하므로, 부정확한 추정은 알고리즘 성능 저하로 이어지는 한계가 있었습니다.
최근 제임스 프리츠(James Pritts) 외 연구진은 이러한 의존성을 제거하는 새로운 RANSAC 스코어링(scoring) 방식을 제안했습니다. 이들은 스케일을 먼저 추정하고 모델을 평가하는 대신, 인라이어 스케일을 분석적으로 주변화(marginalize)하는 역추론 방식을 사용했습니다. 이는 고정된 인라이어 파티션(partition)에 대해 켤레 역감마 사전 분포(conjugate Inverse-Gamma prior)를 적용하여 가능해졌습니다. 결과적으로 스케일이 수식에서 완전히 사라진 최초의 RANSAC 스코어가 탄생했으며, O(N log N)의 효율적인 계산이 가능합니다.
새로운 RANSAC 스코어는 약 7만 쌍의 이미지 벤치마크 테스트에서 기존 RANSAC, MSAC, GaU, MAGSAC 등 최첨단 알고리즘을 능가하는 성능을 보였습니다. 특히, 임계값(threshold) 오차가 발생하더라도 성능 저하가 거의 없었으며, 기존 알고리즘이 100배 이상의 검증 데이터가 필요했던 상황에서도 단 두 쌍의 검증 데이터만으로도 거의 최적의 정확도에 도달했습니다. 이는 데이터가 부족한 환경에서도 강력한 성능을 발휘하며, 컴퓨터 비전 분야의 다양한 응용 프로그램에 큰 영향을 미칠 것으로 예상됩니다.