Kann ein Modell genau an Daten mit einem hohen Fehleranteil angepasst werden? Dieses Papier stellt Random Sample Consensus (RANSAC) vor, ein neues Paradigma, das für die Interpretation und Glättung experimenteller Daten entwickelt wurde, die signifikante grobe Fehler enthalten. RANSAC eignet sich gut für die automatisierte Bildanalyse, bei der die Interpretation auf Daten von fehleranfälligen Merkmalsdetektoren beruht. Ein Großteil des Papiers konzentriert sich auf die Anwendung von RANSAC auf das Location Determination Problem (LDP): Bestimmung des Punktes im Raum, von dem ein Bild aufgenommen wurde, unter der Voraussetzung bekannter Landmarkenstandorte. In Reaktion auf die RANSAC-Anforderungen leitet das Papier neue Ergebnisse über die Mindestanzahl benötigter Landmarken ab und präsentiert Algorithmen zur Berechnung dieser Lösungen in geschlossener Form. Diese Ergebnisse bilden die Grundlage für ein automatisches System, das in der Lage ist, das LDP unter schwierigen Betrachtungsbedingungen zu lösen, mit Auswirkungen auf Computer Vision und Robotik.
Dieses in Communications of the ACM veröffentlichte Papier, das den RANSAC-Algorithmus vorstellt, steht im Einklang mit dem Fokus des Journals auf grundlegende Algorithmen und deren Anwendungen in der Informatik. Die Arbeit hatte einen nachhaltigen Einfluss auf den Bereich der Computer Vision und verwandte Bereiche.