Springer出版集团旗下International Journal of Computer Vision国际期刊，近日发表我中心王菡子教授课组的论文《Segmentation by Continuous Latent Semantic Analysis for Multi-structure Model Fitting》， DOI：10.1007/s11263-021-01468-6。

鲁棒模型拟合是计算机视觉领域一个极具挑战的问题，被广泛用于消失点检、3D重构、运动分割等任务中。由于大量离群点数据的影响和多模型结构之间的相互干扰，为有效并鲁棒地估计模型参数带来了巨大挑战。

图1：基于LSA的模型拟合方法。

王菡子课题组研究发现，潜在语义空间Latent Semantic Analysis (LSA)能够有效地分析模型拟合问题中数据之间的关联，进而极大地降低时间复杂度。为此，提出了一种基于潜在语义空间的鲁棒模型拟合方法。该方法建立在LSA的基础上，通过分析LSA的数据分布，有效去除离群点的干扰，接着对内点数据进行分类。相比于目前已有的最佳拟合方法，所提出的拟合方法从新的视角去发现模型拟合问题中数据点的内在关联，能够有效地提升拟合性能，并显著降低时间复杂度。该工作前后用了三年半的时间。

International Journal of Computer Vision (IJCV)，即《国际计算机视觉杂志》，是人工智能领域最重要的国际顶级学术期刊之一，每年出版的文章数量很少同时拥有较高的影响因子（5年影响因子为11.042）。

以上研究工作得到国家自然科学基金的长期支持。