コンピュータビジョンにおいて広く使用されているRANSAC（Random Sample Consensus）は、ロバストな幾何学的推定の標準的な手法です。しかし従来のRANSAC変種は、候補モデルのスコアリングにおいて、ユーザーが供給すべきパラメータ—具体的には内在スケール（inlier scale）に依存した閾値—に大きく依存しており、このパラメータ自体が汚染されたデータから推定される必要があるという根本的な課題を抱えていました。 本研究は、この推論の順序を逆転させることで問題を解決します。従来は「スケールを推定してからそれに対してスコアリングする」というアプローチでしたが、提案手法は「固定された内在パーティション下で、共役Inverse-Gamma事前分布を用いて内在スケールを解析的に閉形式でマージナル化し、その後パーティションについて最適化する」という新しい枠組みを採用しています。この単一の閉形式表現は、情報量の少ないJeffreys極限から情報量の多い経験ベイズ事前分布まで対応でき、アルゴリズムに変更を加えることなく、データが豊富な状況からデータが不足した状況まで自動的に適応します。 提案されたRANSACスコアは、内在スケールの式から完全に排除された初の手法です。計算効率もO(N log N)を達成し、ソートとスイープで実装可能です。70,000近い画像ペアを用いた包括的なベンチマーク評価では、2ビューの幾何学的推定問題全体で、従来のRANSAC、MSAC、GaU、MAGSACを上回る性能を示します。特に閾値の誤設定に対して堅牢性を発揮し、わずか2つの検証ペアから最適に近い精度を達成する点で、従来手法が100倍以上の検証データを必要とするのに対して優位性を示しています。