La soluzione più diretta per produrre queste mappe di profondità sarebbe l’utilizzo di un dispositivo di acquisizione 3d. Tra i principali troviamo le telecamere stereo, i sistemi ad infrarossi (come ad esempio la prima versione del kinect (8) di Microsoft), i laser scanner 3d ed i time-of-flight sensor (come la seconda versione del kinect). Questi dispositivi presentano però alcune problematiche, specialmente per quanto riguarda quelli con costi abbordabili. Le telecamere stereo, ad esempio, producono depth map molto rumorose, mentre i kinect, soprattutto nella prima versione, forniscono una risoluzione bassa ed inoltre, sia in versione ad infrarossi che time of light, funzionano solo fino a cinque metri di distanza. Una rete neurale addestrata con l’utilizzo di dati contenenti imprecisioni finirebbe per apprendere anche queste, e ciò rappresenta uno scenario non ideale. Risultati più precisi possono essere ottenuti con i laser scanner, i quali però sono un po’ lenti e presentano costi molto levati.