MiddleBurry 数据集：
评估区域：
- dics(Depth Discontinuity Region)：视差不连续区域
- all(All Region)：全部区域
- non-occ（Non-Occlusion Region）：非遮挡区域
评估指标：
- bad δ D \delta_{D} δD?： 1 N ∑ ( x , y ) ∈ N { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > δ D } \frac{1}{N} \sum_{(x, y)\in N}\{|d_{est}(x, y)-d_{gt}(x, y)|>\delta_{D}\} N1?∑(x,y)∈N?{∣dest?(x,y)?dgt?(x,y)∣>δD?} ：估计值与真实值相差大于 δ D \delta_{D} δD? 的像素的比例， δ D \delta_{D} δD? 可以取0.5、1.0、2.0、4.0
- avgerr： 1 N ∑ ( x , y ) ∈ N ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ \frac{1}{N}\sum_{(x,y)\in N}|d_{est}(x,y)-d_{gt}(x,y)| N1?∑(x,y)∈N?∣dest?(x,y)?dgt?(x,y)∣ ：平均绝对误差
- rms： 1 N ∑ ( x , y ) ∈ N ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ 2 \sqrt{\frac{1}{N} \sum_{(x, y)\in N}\left|d_{est}(x, y)-d_{gt}(x, y)\right|^{2}} N1?∑(x,y)∈N?∣dest?(x,y)?dgt?(x,y)∣2? ：均方误差
KITTI 2012数据集：
??KITTI 2012 是真实驾驶场景的数据集，其包含194个训练图像对和195个测试图像对，图像分辨率为1226×370。该数据集提供了使用激光雷达获得的稀疏真实视差值。
评估区域：
- all(All Region)：全部区域
- non-occ（Non-Occlusion Region）：非遮挡区域
评估指标：
??若视差 ∣ d e s t ? e g t ∣ < δ D |d_{est}-e_{gt}|<\delta_{D} ∣dest??egt?∣<δD?，则视为正确估计，阈值 δ D \delta_{D} δD?可为2，3，4，5
- Out-Noc: δ D \delta_{D} δD?： 1 N n o c ∑ ( x , y ) ∈ N n o c { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > δ D } \frac{1}{N_{noc}} \sum_{(x, y)\in N_{noc}}\{|d_{est}(x, y)-d_{gt}(x, y)|>\delta_{D}\} Nnoc?1?∑(x,y)∈Nnoc??{∣dest?(x,y)?dgt?(x,y)∣>δD?} 非遮挡区域错误预测像素的比例
- Out-All: δ D \delta_{D} δD?： 1 N a l l ∑ ( x , y ) ∈ N a l l { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > δ D } \frac{1}{N_{all}} \sum_{(x, y)\in N_{all}}\{|d_{est}(x, y)-d_{gt}(x, y)|>\delta_{D}\} Nall?1?∑(x,y)∈Nall??{∣dest?(x,y)?dgt?(x,y)∣>δD?}：全部区域错误预测像素的比例
- Avg-Noc: 1 N n o c ∑ ( x , y ) ∈ N n o c ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ \frac{1}{N_{noc}}\sum_{(x,y)\in N_{noc}}|d_{est}(x,y)-d_{gt}(x,y)| Nnoc?1?∑(x,y)∈Nnoc??∣dest?(x,y)?dgt?(x,y)∣ 非遮挡区域的端点误差（EPE-Noc）
- Avg-All: 1 N a l l ∑ ( x , y ) ∈ N a l l ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ \frac{1}{N_{all}}\sum_{(x,y)\in N_{all}}|d_{est}(x,y)-d_{gt}(x,y)| Nall?1?∑(x,y)∈Nall??∣dest?(x,y)?dgt?(x,y)∣ 全部区域的端点误差（EPE）
KITTI 2015数据集：
??KITTI 2015是真实驾驶场景的数据集。KITTI 2015包含200个训练图像对和200个测试图像对，图像分辨率为1242×375，该数据集提供了使用激光雷达获得的稀疏地面真实视差值。
评估图像：
- D1：评估第一帧图像
- D2：评估第二帧图像
评估区域：
- bg(Background Regions)：背景区域
- fg(Foreground Regions)：前景区域
- all(All Region)：全部区域
评估指标：
??若视差或流端点误差 ∣ d e s t ? d g t ∣ < 3 |d_{est}-d_{gt}|<3 ∣dest??dgt?∣<3px或 ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ d g t < 5 % \frac{{|d_{est}(x,y)-d_{gt}(x,y)|}}{d_{gt}}<5\% dgt?∣dest?(x,y)?dgt?(x,y)∣?<5%则视为正确估计
-
D1-bg：对于第一帧图像，背景区域（background regions）预测正确的像素的比例
-
D1-fg：对于第一帧图像，前景区域（foreground regions）预测正确的像素的比例
-
D1-all：对于第一帧图像，所有区域（all regions）预测正确的像素的比例
-
D2-bg：对于第二帧图像，背景区域（background regions）预测正确的像素的比例
-
D2-fg：对于第二帧图像，前景区域（foreground regions）预测正确的像素的比例
-
D2-all：对于第二帧图像，所有区域（all regions）预测正确的像素的比例
Scene Flow数据集：
??Scene Flow是利用软件渲染生成的虚拟立体数据集，包含35454个训练图像对和4370个测试图像对，分辨率为960×540，该数据集提供稠密的视差图真实值。
??若视差或流端点误差 ∣ d e s t ? d g t ∣ < 3 |d_{est}-d_{gt}|<3 ∣dest??dgt?∣<3px或 ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ d g t < 5 % \frac{{|d_{est}(x,y)-d_{gt}(x,y)|}}{d_{gt}}<5\% dgt?∣dest?(x,y)?dgt?(x,y)∣?<5% 则视为正确估计
- EPE： 1 N ∑ ( x , y ) ∈ N ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ \frac{1}{N}\sum_{(x,y)\in N}|d_{est}(x,y)-d_{gt}(x,y)| N1?∑(x,y)∈N?∣dest?(x,y)?dgt?(x,y)∣ ：全部区域的端点误差（EPE）
- >1px： 1 N a l l ∑ ( x , y ) ∈ N a l l { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > 1 } \frac{1}{N_{all}} \sum_{(x, y)\in N_{all}}\{|d_{est}(x, y)-d_{gt}(x, y)|>1\} Nall?1?∑(x,y)∈Nall??{∣dest?(x,y)?dgt?(x,y)∣>1}：预测误差大于1px的像素的比例
- >2px： 1 N a l l ∑ ( x , y ) ∈ N a l l { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > 2 } \frac{1}{N_{all}} \sum_{(x, y)\in N_{all}}\{|d_{est}(x, y)-d_{gt}(x, y)|>2\} Nall?1?∑(x,y)∈Nall??{∣dest?(x,y)?dgt?(x,y)∣>2}：预测误差大于2px的像素的比例
- >3px： 1 N a l l ∑ ( x , y ) ∈ N a l l { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > 3 } \frac{1}{N_{all}} \sum_{(x, y)\in N_{all}}\{|d_{est}(x, y)-d_{gt}(x, y)|>3\} Nall?1?∑(x,y)∈Nall??{∣dest?(x,y)?dgt?(x,y)∣>3}：预测误差大于3px的像素的比例
- D1：对于第一帧图像，预测正确的像素的比例
ETH3D数据集：
??ETH3D是室内和室外场景中的灰度立体数据集。其包含27个训练图像对与20个测试图像对，该数据集带有稀疏的视差真实值。视差范围在0-64之间。
评估指标：
- bad δ D \delta_{D} δD?： 1 N ∑ ( x , y ) ∈ N { ∣ d e s t ( x , y ) ? d g t ( x , y ) ∣ > δ D } \frac{1}{N} \sum_{(x, y)\in N}\{|d_{est}(x, y)-d_{gt}(x, y)|>\delta_{D}\} N1?∑(x,y)∈N?{∣dest?(x,y)?dgt?(x,y)∣>δD?} ：估计值与真实值相差大于 δ D \delta_{D} δD? 的像素的比例， δ D \delta_{D} δD? 可以取1.0、2.0
