近期，我中心一篇关于鲁棒模型拟合的论文“Co-clustering on Bipartite Graphs for Robust Model Fitting”被CCF A类、JCR1区期刊《IEEE Transactions on Image Processing》接收，DOI: 10.1109/TIP.2022.3214073。TIP是计算机视觉领域的国际顶级期刊，其2021年影响因子为11.041。

鲁棒模型拟合是人工智能和计算机视觉领域中的一项关键且极具挑战的研究课题，其已广泛应用于图像配准、运动分割、三维重建和车道线检测等图像和视频处理任务中。由于数据通常包含噪声和离群点且多个模型结构之间相互干扰，这为有效并鲁棒地估计模型参数带来了巨大挑战。

图1. 基于二部图协同聚类的模型拟合方法

近年来，基于图的方法已广泛应用于鲁棒模型拟合。然而，当将数据点和模型假设映射到图域时，经常会不可避免地丢失这两部分的关联信息。该论文提出了一种建立在二部图和协同聚类基础上的模型拟合方法，以有效地从包含离群点和噪声的数据中估计出多个模型实例。在该方法中，鲁棒模型拟合被重新映射为二部图划分行为；通过使用二部图修剪技术来消除一些不显著的顶点（离群点和无效模型假设）的影响，以提高构造二部图的可靠性并降低计算复杂度；通过使用协同聚类算法，来学习具有明确连接成分的结构化二部图，以估计模型实例（无需后处理步骤）。所提方法利用二部图上数据点和模型假设所表示出来的对偶性，有效地提升了拟合性能。在合成数据和真实数据上的结果表明，所提方法获得比同类拟合方法更准确和可靠的结果。

    论文连接：https://ieeexplore.ieee.org/document/9923596