可以应用到任意的deeplearning的localization的模型中
R(.）表示的是refine
为了使整个过程可微：，这样使用每个w时候的最小集合的采样的概率来区分是好的模型还是不好的模型
然后将，这样就将ransac中的硬决策转换成了软决策
几个ransac的对比：
上述中，表示的是在w和v的情况下选择匹配集合J，然后计算出模型的得分，因此将会inlier得分更高，outlier得分更低。这样就可以通过控制（求导数）进行优化了。
本文在上述的基础上使用了一个更加好的软决策的方法：
loss：
结果：
输入的是rgb图片输出的是pose，，这是一个end-to-end的方法，w的目的是回归出场景的3d坐标