实验室博士生王意茹同学论文成功被Pattern Recognition（IF:7.196）期刊收录。

    在解决鲁棒模型拟合问题的过程中，最大一致集是一种被广泛采用的策略，其中最受欢迎的便是RANSAC类型的最大一致集方法。然而，这类方法并不能保证界的全局最优性，甚至会出现拟合失败的情况。学术界已经提出了一系列基于分支定界（BnB）的全局最优方法，这些方法大多数都会涉及到复杂的目标函数上下界的推导。2003年，Breuel在解决计算机视觉问题中的几何匹配问题时，使用了区间拓展思想为BnB全局优化框架提供了简单的界的推导。可惜的是，这个思想在该领域中被人们所遗忘，这是因为，人们总是很自然地认为这种简单直接的界的推导是要比那些精心设计的界的效果更糟。近几年来，学术界也发展了一些全新的非BnB类的的全局最优算法，来实现最大一致集问题的求解，但它们也只能是被使用在具有少量的数据点数和较低的离群点比例的场景中。在这项工作中，我们希望可以将区间拓展的思想重新拉回到人们的视野中，并通过进行实质性扩展工作来证明其实用性。具体而言，在本工作中，我们给出了求解具有线性残差和拟凸残差的鲁棒模型拟合问题的界的详细推导，并提出了在单位模长约束下和在高维问题中的适用方案。大量试验表明，该方法可以处理具有大量数据点数和较高离群点比例的实际应用问题。在低维问题中其准确性和效率方面都优于最先进的全局最优方法、RANSAC类的随机性方法和确定性方法。本工作的代码已开源，希望可以为推进鲁棒模型估计领域的发展作出绵薄之力。https://github.com/YiruWangYuri/Demo-for-GoIA