《表2 不同方法实验结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《引入生成对抗网络的室外场景单目深度估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过表2可以看出，本文方法在各项指标上均有了较大的提升。在C1误差下，相比于Luo的工作，Rel与RMSE指标分别降低了17%、11%；相比于Nath的工作，Rel与RMSE指标分别降低了4%、14%；可以证明本文方法的有效性。但是在Ale指标上，本方法表现一般。原因在于本文建立在重构与分阶段训练的思想之上，导致深度估计结果的均值较小，但方差较大。而Ale对于小范围的误差更加敏感。但从深度估计整体效果以及数据上看，本文方法依然在细节与准确率上更具有优势。