Evaluation of CNN-based Single-Image Depth Estimation Methods

常用的基线RGBD数据集
1、Make3D 534张户外图和定制三维扫描仪扫描出来的深度图，缺点是： 场景不丰富，深度图分辨率低
2、Kitti 车捕捉的街景，RGB图+激光扫描器扫出来的深度图，缺点是： 深度图分辨率低，且深度图间隔无规则且稀疏
3、NYU depth v2 使用较多，464张室内场景训练+654做评估，RGB+ Microsoft Kinect v1 sensor获得的深度图
4、Kinect 有效距离范围很小，遮挡、边界等不够清晰
5、Matterport3D 使用较多，室内场景，由三个RGB-D摄像机组成的定制3D扫描仪，缺点活动RDB-D传感器 suffers from the same weaknesses of active RGB-D sensors.

误差度量
现有的Error：

这些度量方式都是全剧深度差异的统计，只关注了全局的一致性,不能评估平面的平整性和三维的方向，以及边界和遮挡情况

1、Distance-Related Assessment： 按照不同深度区间分别统计预测正确性
2、Planarity：

planarity error计算了（mask得到的）某一特定平面预测得到的三维points与实际的偏差；
orientation error计算了预测平面与实际平面的角度偏差，角度通过反余弦函数得到，arccos函数可以根据函数值求出弧度值。

标签：深度图,场景,based,Methods,Image,三维,Kinect,RGB,平面
来源： https://www.cnblogs.com/pyclq/p/15341175.html