我认为这里的关键是丢弃了 RANSAC 中的大部分数据。

在大多数统计应用中，某些分布可能有重尾，因此小样本数可能会扭曲统计估计。稳健的估计器通过对数据进行不同的加权来解决这个问题。另一方面，RANSAC 没有尝试容纳异常值，它是为数据点真正不属于的情况而构建的，而不仅仅是非正态分布。

对我们来说，这只是稳健回归的一个例子——我相信它也被统计学家使用，但可能没有那么广泛，因为它有一些更知名的替代方案。

这听起来很像Bagging，这是一种常用的技术。

您使用 RANSAC 丢弃数据，可能没有证明其合理性，而是基于增加模型的拟合度。通常避免丢弃数据以提高拟合度，因为您可能会丢失重要数据。在没有正当理由的情况下去除异常值总是有问题的。

当然可以证明它是合理的。例如，如果您知道数据应该遵循给定的模式，但由于测量错误，数据也与模式存在偏差。