您的厨房被水淹了！ 不用担心，这只是3D深度估计的一种特殊效果

定量比较结果和视觉比较结果：

图4：本研究中建议方法和SOTA方法的定量比较结果。 P5图5：使用SOTA方法的视觉比较结果。 这项研究中提出的方法可以产生具有几何一致性的深度估计结果，并且不会从移动相机随机捕获的视频中产生抖动。

控制变量研究

表2：控制变量研究。 定量评估结果表明了该方法的重要性。 图6：该方法的设计对输出结果的贡献。 图7：使用长期时间限制和视差损失的效果分析。 表3：在ScanNet数据集上的量化结果比较。

表4：关于tum-rgbd数据集的定量比较结果。

表5：Kitti参考数据集上的定量比较结果。

方法的局限性

这样的方法有局限性吗？ 在本文中，作者指出了该方法的四个局限性，分别是姿势，动态运动，光流和速度。

姿势

此方法当前依赖于colmap来基于单眼视频估计相机姿势。 在较困难的场景中，例如有限的摄像机平移和动态模糊，colmap可能无法生成可靠的稀疏重建结果和摄像机姿态估计。

的大位姿误差也会对该方法的输出产生很大的负面影响，因此限制了该方法在此类视频中的应用。 将基于学习的姿势估计与所提出的方法相结合的

可能是一个很好的研究方向。

动态运动

此方法支持包含中等运动的视频，但是如果运动更剧烈，则此方法会出现问题。

光学流

此方法依赖flownet2构造几何约束。 使用向前和向后传播一致性检查来滤除不可靠的光流，但这也会导致错误。 此时，该方法无法输出正确的