近期，我中心一篇关于鲁棒模型拟合的论文（题目为Robust Model Fitting via Motion-Aware Pyramid Transformer-Guided Preference Filtering and Consensus Smoothing）被CCF A类期刊IEEE Transactions on Pattern Analysis and Machine Intelligence接收，DOI: https://doi.org/10.1109/TPAMI.2026.3705535，近五年影响因子为22.2‌。该论文由我中心实验室博士生尹文玉完成，由王菡子教授、林舒源副教授（暨南大学）、严严教授、卢杨副教授、David Suter教授（埃迪斯科文大学）共同指导。该研究工作得到了国家自然科学基金项目（U25A20531、62476112、62372388及62376233）等项目的支持。

鲁棒模型拟合旨在从受噪声和异常值污染的数据中估计模型参数，是计算机视觉中的基础问题。传统RANSAC方法忽略数据偏好分布且依赖迭代假设采样，导致模型假设模糊且效率低下。基于学习的方法虽引入深度特征，但仍依赖静态坐标表示，缺乏对运动线索的显式建模，难以应对复杂动态场景；此外，CNN的局部感受野限制了全局上下文建模能力。针对上述挑战，本文提出MPCFormer——一种运动感知Transformer方法，通过多通道偏好过滤与多尺度共识平滑实现鲁棒模型拟合。该方法将对应学习与时空运动线索嵌入相结合，消除迭代采样，将模型拟合重构成点分类与模型参数的联合优化框架。具体地，运动偏好过滤器利用残差连接Transformer和多头偏好注意力机制，显式编码数据对模型的偏好分布，生成置信度分数以自适应抑制异常值干扰；金字塔共识平滑器通过多尺度Transformer编码构建稀疏特征金字塔，分层捕获局部到全局的运动一致性，有效解决空间不连续带来的运动歧义。实验结果表明，MPCFormer在mAP@5°上较最佳基线提升4.68%，AUC@3像素提升1.89%，F-score提升1.52%。

论文链接：https://ieeexplore.ieee.org/abstract/document/11570795