评价指标
Endpoint error(EPE)
计算的是估计光流和groundtruth光流的欧氏距离:
E P E = ( ( u e s t − u g t ) 2 + ( v e s t − v g t ) 2 ) EPE = \sqrt{((u_{est} - u_{gt})^2 + (v_{est} - v_{gt})^2)} EPE=((uest−ugt)2+(vest−vgt)2)
这是一种比较普遍的评估指标，通常会用EPE的均值来评估光流估计的结果。
Angular error(AE)
计算的是光流向量之间的角度误差：( ( u 0 , v 0 , 1 ) (u_0, v_0, 1) (u0,v0,1)表示一个列向量)
A E = arccos ( ( u e s t , v e s t , 1 ) T ∗ ( u g t , v g t , 1 ) 1.0 + u e s t ∗ u e s t + v e s t ∗ v e s t 1.0 + u g t ∗ u g t + v g t ∗ v g t ) AE = \arccos(\frac{(u_{est}, v_{est}, 1)^T * (u_{gt}, v_{gt}, 1)}{\sqrt{1.0 + u_{est} * u_{est} + v_{est} * v_{est}} \sqrt{1.0 + u_{gt} * u_{gt} + v_{gt} * v_{gt}}}) AE=arccos(1.0+uest∗uest+vest∗vest1.0+ugt∗ugt+vgt∗vgt(uest,vest,1)T∗(ugt,vgt,1))
Interpolation error(IE)
插值误差指的是真值图像和估计的插值图像颜色值的root-mean-square(RMS) diffenrence
I E = 1 N ∑ ( x , y ) ( I ( x , y ) − I g t ( x , y ) ) 2 IE = \sqrt{\frac{1}{N} \sum_{(x,y)}(I(x,y) - I_{gt}(x,y))^2} IE=N1(x,y)∑(I(x,y)−Igt(x,y))2
N是像素点的个数，对于RGB图像，取RGB颜色差别的L2 norm。
Normalized interpolation error(NE)
I E = 1 N ∑ ( x , y ) ( I ( x , y ) − I g t ( x , y ) ) 2 ∣ ∣ ▽ I g t ∣ ∣ 2 + ϵ IE = \sqrt{\frac{1}{N} \sum_{(x,y)} \frac{(I(x,y) - I_{gt}(x,y))^2}{||\bigtriangledown I_{gt}||^2 + \epsilon}} IE=N1(x,y)∑∣∣▽Igt∣∣2+ϵ(I(x,y)−Igt(x,y))2
论文中取 ϵ = 1.0 \epsilon=1.0 ϵ=1.0。 对于RGB图像，取向量差的L2 norm，并分别计算梯度。
得到插值图像的方法见论文的3.3.2
光流数据集
Middlebury Optical flow dataset 最经典
MPI Sintel Dataset
Robust Vision Challenge
KITTI Flow 2012 evaluation
KITTI Flow 2015 evaluation
Heidelberg HD1K Flow benchmark
参考：
论文 A Database and Evaluation Methodology for Optical Flow
https://vision.middlebury.edu/flow/eval/
https://stackoverflow.com/questions/49699739/what-is-endpoint-error-between-optical-flows
https://github.com/philferriere/tfoptflow/blob/master/README.md