Badacze rozwiązali fundamentalny problem algorytmu RANSAC - konieczność ręcznego ustawiania parametrów związanych ze skalą szumu w danych. Tradycyjne warianty RANSAC liczą inliers lub sumują wyniki per-punkt, zawsze wymagając od użytkownika parametru zależnego od inlier scale, który musi być oszacowany z zaśmieconych danych. Nowe podejście odwraca kolejność wnioskowania - zamiast najpierw szacować skalę, a potem oceniać względem niej, metoda marginalizuje skalę inlierów analitycznie w postaci zamkniętej pod sprzężonym prior Inverse-Gamma dla ustalonego podziału inlierów, a następnie optymalizuje między partycjami.
Wynik tego podejścia to pierwszy wynik RANSAC, w którym skala inlierów rzeczywiście nie pojawia się w formule. Elegancka jednolita funkcja oceny rozciąga się od nieinformatywnej granicy Jeffreysa do informacyjnych priorów empirical-Bayes, dzięki czemu ten sam wynik adaptuje się między reżimami bogatymi i ubogimi w dane bez jakichkolwiek zmian algorytmu. Obliczenia wymagają zaledwie O(N log N) operacji poprzez sort-and-sweep.
Na masywnym benchmarku obejmującym prawie 70 tysięcy par obrazów z różnych problemów estymacji dwuwidokowej i zarówno inżynierskich jak i nauczonych pipelinów cech, proponowany wynik przewyższa stan sztuki. Pozostaje niemal płaski pod błędną kalibrację progu tam, gdzie metody bazowe się degradują, osiąga prawie optymalną dokładność z zaledwie dwoma parami walidacyjnymi tam, gdzie konkurenci potrzebują około 100 razy więcej danych, i zmniejsza regularyzację priorow wraz ze wzrostem danych walidacyjnych.