diff --git "a/docs/03_TECH/TECH_04_\347\267\232\346\244\234\345\207\272\347\262\276\345\272\246\345\220\221\344\270\212\346\226\271\351\207\235.txt" "b/docs/03_TECH/TECH_04_\347\267\232\346\244\234\345\207\272\347\262\276\345\272\246\345\220\221\344\270\212\346\226\271\351\207\235.txt"
index 54cd2dc..f715361 100644
--- "a/docs/03_TECH/TECH_04_\347\267\232\346\244\234\345\207\272\347\262\276\345\272\246\345\220\221\344\270\212\346\226\271\351\207\235.txt"
+++ "b/docs/03_TECH/TECH_04_\347\267\232\346\244\234\345\207\272\347\262\276\345\272\246\345\220\221\344\270\212\346\226\271\351\207\235.txt"
@@ -591,6 +591,31 @@
     ・備考: S 字カーブ等，2次多項式では表現できない
         複雑な形状に対応できる．ただし過学習のリスクがある
 
+    7-7. ロバストフィッティング前処理（全手法共通）
+
+    行ごと中心抽出の後，多項式フィッティングの前に適用する
+    外れ値除去パイプライン．全検出手法（案A〜D）で共通に使用する
+
+    (1) 移動メディアンフィルタ（median_ksize）
+        中心点列の x 座標に1次元メディアンフィルタを適用し，
+        スパイク状の外れ値を平滑化する
+    (2) 近傍外れ値除去（neighbor_thresh）
+        各点の x 座標を近傍（前後3行）の中央値と比較し，
+        閾値を超えて逸脱する点を除去する．
+        グローバルなモデルに依存しないローカルな判定
+    (3) 重み付き最小二乗
+        案Dでは谷の深度（コントラスト）を重みとして使用し，
+        深度が浅い（＝信頼度の低い）点の影響を低減する
+
+    ・パラメータ:
+        - median_ksize: メディアンフィルタのカーネルサイズ
+          （デフォルト: 7，0 で無効）
+        - neighbor_thresh: 近傍除去の閾値 px
+          （デフォルト: 10.0，0 で無効）
+    ・実装: _clean_and_fit() 関数（line_detector.py）
+    ・備考: RANSAC と併用可能．RANSAC が有効な場合は
+        メディアン → 近傍除去 → RANSAC の順に適用される
+
 
 8. Stage 0: 撮影条件の最適化 (Camera Settings)
 ------------------------------------------------------------------------
diff --git a/src/pc/gui/main_window.py b/src/pc/gui/main_window.py
index 6715293..6c9b0a9 100644
--- a/src/pc/gui/main_window.py
+++ b/src/pc/gui/main_window.py
@@ -429,6 +429,31 @@
             {"blackhat", "dual_norm", "robust"},
         )
 
+        # --- ロバストフィッティング（全手法共通） ---
+        all_methods = {
+            "blackhat", "dual_norm", "robust", "valley",
+        }
+
+        self._spin_median_ksize = QSpinBox()
+        self._spin_median_ksize.setRange(0, 31)
+        self._spin_median_ksize.setSingleStep(2)
+        self._spin_median_ksize.setValue(ip.median_ksize)
+        self._spin_median_ksize.setSpecialValueText(
+            "無効",
+        )
+        self._add_image_row(
+            "メディアン:", self._spin_median_ksize,
+            all_methods,
+        )
+
+        self._spin_neighbor_thresh = self._create_spin(
+            ip.neighbor_thresh, 0.0, 50.0, 1.0,
+        )
+        self._add_image_row(
+            "近傍除去:", self._spin_neighbor_thresh,
+            all_methods,
+        )
+
         # --- 案C/D: RANSAC ---
         self._spin_ransac_thresh = self._create_spin(
             ip.ransac_thresh, 1.0, 30.0, 1.0,
@@ -653,6 +678,12 @@
             self._spin_min_line_width.setValue(
                 ip.min_line_width,
             )
+            self._spin_median_ksize.setValue(
+                ip.median_ksize,
+            )
+            self._spin_neighbor_thresh.setValue(
+                ip.neighbor_thresh,
+            )
             self._spin_ransac_thresh.setValue(
                 ip.ransac_thresh,
             )
@@ -713,6 +744,13 @@
         ip.min_line_width = (
             self._spin_min_line_width.value()
         )
+        # ロバストフィッティング
+        ip.median_ksize = (
+            self._spin_median_ksize.value()
+        )
+        ip.neighbor_thresh = (
+            self._spin_neighbor_thresh.value()
+        )
         # 案C: RANSAC
         ip.ransac_thresh = (
             self._spin_ransac_thresh.value()
diff --git a/src/pc/vision/line_detector.py b/src/pc/vision/line_detector.py
index 03fa121..2433580 100644
--- a/src/pc/vision/line_detector.py
+++ b/src/pc/vision/line_detector.py
@@ -54,6 +54,8 @@
         width_near: 画像下端での期待線幅（px，0 で無効）
         width_far: 画像上端での期待線幅（px，0 で無効）
         width_tolerance: 幅フィルタの上限倍率
+        median_ksize: 中心点列の移動メディアンフィルタサイズ（0 で無効）
+        neighbor_thresh: 近傍外れ値除去の閾値（px，0 で無効）
         valley_gauss_ksize: 谷検出の行ごとガウシアンカーネルサイズ
         valley_min_depth: 谷として認識する最小深度
         valley_max_deviation: 追跡予測からの最大許容偏差（px）
@@ -92,6 +94,10 @@
     ransac_thresh: float = 5.0
     ransac_iter: int = 50
 
+    # ロバストフィッティング（全手法共通）
+    median_ksize: int = 7
+    neighbor_thresh: float = 10.0
+
     # 透視補正付き幅フィルタ（0 で無効）
     width_near: int = 0
     width_far: int = 0
@@ -257,6 +263,8 @@
     # 行ごと中心抽出 + フィッティング
     return _fit_row_centers(
         binary, params.min_line_width,
+        median_ksize=params.median_ksize,
+        neighbor_thresh=params.neighbor_thresh,
     )
 
 
@@ -308,6 +316,8 @@
     # 行ごと中心抽出 + フィッティング
     return _fit_row_centers(
         binary, params.min_line_width,
+        median_ksize=params.median_ksize,
+        neighbor_thresh=params.neighbor_thresh,
     )
 
 
@@ -358,6 +368,8 @@
         use_median=True,
         ransac_thresh=params.ransac_thresh,
         ransac_iter=params.ransac_iter,
+        median_ksize=params.median_ksize,
+        neighbor_thresh=params.neighbor_thresh,
     )
 
 
@@ -482,11 +494,13 @@
     use_median: bool = False,
     ransac_thresh: float = 0.0,
     ransac_iter: int = 0,
+    median_ksize: int = 0,
+    neighbor_thresh: float = 0.0,
 ) -> LineDetectResult:
     """行ごとの中心点に多項式をフィッティングする
 
     各行の白ピクセルの中心（平均または中央値）を1点抽出し，
-    中心点列に対してフィッティングする．
+    ロバスト前処理の後にフィッティングする．
     幅の変動に強く，各行が等しく寄与する
 
     Args:
@@ -495,6 +509,8 @@
         use_median: True の場合は中央値を使用
         ransac_thresh: RANSAC 閾値（0 以下で無効）
         ransac_iter: RANSAC 反復回数
+        median_ksize: 移動メディアンのカーネルサイズ
+        neighbor_thresh: 近傍外れ値除去の閾値 px
 
     Returns:
         線検出の結果
@@ -520,14 +536,15 @@
     cy = np.array(centers_y)
     cx = np.array(centers_x)
 
-    if ransac_thresh > 0 and ransac_iter > 0:
-        coeffs = _ransac_polyfit(
-            cy, cx, 2, ransac_iter, ransac_thresh,
-        )
-        if coeffs is None:
-            return _no_detection(binary)
-    else:
-        coeffs = np.polyfit(cy, cx, 2)
+    coeffs = _clean_and_fit(
+        cy, cx,
+        median_ksize=median_ksize,
+        neighbor_thresh=neighbor_thresh,
+        ransac_thresh=ransac_thresh,
+        ransac_iter=ransac_iter,
+    )
+    if coeffs is None:
+        return _no_detection(binary)
 
     return _build_result(coeffs, binary)
 
@@ -581,6 +598,80 @@
     return best_coeffs
 
 
+def _clean_and_fit(
+    cy: np.ndarray,
+    cx: np.ndarray,
+    median_ksize: int,
+    neighbor_thresh: float,
+    weights: np.ndarray | None = None,
+    ransac_thresh: float = 0.0,
+    ransac_iter: int = 0,
+) -> np.ndarray | None:
+    """外れ値除去＋重み付きフィッティングを行う
+
+    全検出手法で共通に使えるロバストなフィッティング．
+    (1) 移動メディアンフィルタでスパイクを平滑化
+    (2) 近傍中央値からの偏差で外れ値を除去
+    (3) 重み付き最小二乗（または RANSAC）でフィッティング
+
+    Args:
+        cy: 中心点の y 座標配列
+        cx: 中心点の x 座標配列
+        median_ksize: 移動メディアンのカーネルサイズ（0 で無効）
+        neighbor_thresh: 近傍外れ値除去の閾値 px（0 で無効）
+        weights: 各点の信頼度（None で均等）
+        ransac_thresh: RANSAC 閾値（0 以下で無効）
+        ransac_iter: RANSAC 反復回数
+
+    Returns:
+        多項式係数（フィッティング失敗時は None）
+    """
+    if len(cy) < MIN_FIT_ROWS:
+        return None
+
+    cx_clean = cx.copy()
+    mask = np.ones(len(cy), dtype=bool)
+
+    # (1) 移動メディアンフィルタ
+    if median_ksize >= 3:
+        k = median_ksize | 1
+        half = k // 2
+        for i in range(len(cx_clean)):
+            lo = max(0, i - half)
+            hi = min(len(cx_clean), i + half + 1)
+            cx_clean[i] = float(np.median(cx[lo:hi]))
+
+    # (2) 近傍外れ値除去
+    if neighbor_thresh > 0:
+        half_n = 3
+        for i in range(len(cx_clean)):
+            lo = max(0, i - half_n)
+            hi = min(len(cx_clean), i + half_n + 1)
+            local_med = float(np.median(cx_clean[lo:hi]))
+            if abs(cx_clean[i] - local_med) > neighbor_thresh:
+                mask[i] = False
+
+        cy = cy[mask]
+        cx_clean = cx_clean[mask]
+        if weights is not None:
+            weights = weights[mask]
+
+    if len(cy) < MIN_FIT_ROWS:
+        return None
+
+    # (3) フィッティング
+    if ransac_thresh > 0 and ransac_iter > 0:
+        return _ransac_polyfit(
+            cy, cx_clean, 2, ransac_iter, ransac_thresh,
+        )
+
+    # 重み付き最小二乗
+    if weights is not None:
+        return np.polyfit(cy, cx_clean, 2, w=weights)
+
+    return np.polyfit(cy, cx_clean, 2)
+
+
 def _no_detection(
     binary: np.ndarray,
 ) -> LineDetectResult:
@@ -860,6 +951,7 @@
 
     centers_y: list[int] = []
     centers_x: list[float] = []
+    depths: list[float] = []
 
     for y in range(DETECT_Y_START, DETECT_Y_END):
         row = blurred[y]
@@ -890,6 +982,7 @@
         if result is not None:
             centers_y.append(y)
             centers_x.append(result[0])
+            depths.append(result[1])
 
     # デバッグ用二値画像
     debug_binary = _build_valley_binary(
@@ -908,27 +1001,25 @@
 
     cy = np.array(centers_y, dtype=np.float64)
     cx = np.array(centers_x, dtype=np.float64)
+    w_arr = np.array(depths, dtype=np.float64)
 
-    # RANSAC が有効な場合は使用
-    if (
-        params.ransac_thresh > 0
-        and params.ransac_iter > 0
-    ):
-        coeffs = _ransac_polyfit(
-            cy, cx, 2,
-            params.ransac_iter,
-            params.ransac_thresh,
+    # ロバストフィッティング（深度を重みに使用）
+    coeffs = _clean_and_fit(
+        cy, cx,
+        median_ksize=params.median_ksize,
+        neighbor_thresh=params.neighbor_thresh,
+        weights=w_arr,
+        ransac_thresh=params.ransac_thresh,
+        ransac_iter=params.ransac_iter,
+    )
+    if coeffs is None:
+        coasted = _valley_tracker.coast(
+            params.valley_coast_frames,
         )
-        if coeffs is None:
-            coasted = _valley_tracker.coast(
-                params.valley_coast_frames,
-            )
-            if coasted is not None:
-                coasted.binary_image = debug_binary
-                return coasted
-            return _no_detection(debug_binary)
-    else:
-        coeffs = np.polyfit(cy, cx, 2)
+        if coasted is not None:
+            coasted.binary_image = debug_binary
+            return coasted
+        return _no_detection(debug_binary)
 
     # EMA で平滑化
     smoothed = _valley_tracker.update(