RANSAC（随机抽样一致性）是计算机视觉领域的一个关键算法，用于在估计数学模型时处理带噪声的数据和离群点。它解决了传统方法（如最小二乘法）因假设所有数据点都有效而失效的场景。在计算机视觉中，特征匹配、相机标定和 3D 重建等任务常常涉及受错误测量污染的数据集。RANSAC 通过迭代地随机选择数据子集来提出模型，然后通过计算有多少点与模型一致（内点）来验证模型。选择内点最多的模型，从而使过程对离群点具有鲁棒性。例如，在将图像拼接成全景图时，RANSAC 通过忽略不匹配的关键点来帮助计算重叠图像之间的正确单应性（变换）。
一个常见的应用是基于特征的图像对齐。假设一个场景的两幅图像检测到数百个关键点，由于重复纹理或遮挡，其中许多匹配是错误的。RANSAC 随机选择最少的匹配点集（例如，用于单应性估计的四对），计算变换，并检查在误差阈值内有多少其他匹配点符合该模型。经过多次迭代后，使用最拟合的单应性来扭曲图像进行对齐。如果没有 RANSAC，即使少量不匹配也可能严重扭曲结果。同样，在立体视觉中，RANSAC 通过过滤掉不正确的对应关系来估计基本矩阵（关联两个相机视图），从而实现准确的深度估计。
除了图像对齐，RANSAC 还用于运动恢复结构 (SfM) 管线中，从 2D 图像迭代地构建 3D 模型。例如，当从多个视图三角化 3D 点时，RANSAC 确保只使用一致的 2D 观察结果，拒绝由跟踪错误导致的离群点。它在物体位姿估计中也至关重要，其目标是从杂乱的场景中确定物体的 3D 位置和方向。尽管存在像 MLESAC 或 PROSAC 这样的替代算法，但 RANSAC 因其简单性和有效性而仍然很受欢迎。它的计算成本与离群点比例成比例，但诸如提前终止或预过滤（例如，使用 Lowe 比率进行特征匹配）等优化使其适用于 SLAM（同步定位与建图）等实时应用。