1. 1. Contribution
2. 2. Network

1. Contribution

1. Imposing 3D constraints. 新颖的直接惩罚深度不一致的损失函数（直接比较公共参考帧中的三维点云来比较从相邻帧中提取的深度）。
2. Principled masking. 场景的某些部分在新的视图中使用会降低效果，因此需要解析地计算masking。
3. Learning from an uncalibrated video stream.（记录了一个新的数据集，其中包含骑自行车时使用手持商业手机相机拍摄的单目视频。只在这些视频上训练深度和自我运动模型，然后通过在KITTI数据集上测试训练好的模型来评估其预测的质量。）

2. Network

1. 总览
   

2. Principled Masks
   
   原图和Warp后的图相减，剩下的超过了某一个阈值就mask掉，论文里面作为contribution的一点居然只字不提具体做法？

3. ICP
   
   3D损失：在前向和后向对称地应用ICP，使连续两帧的深度和自运动估计一致。ICP的产品产生梯度，用于改进深度和自运动估计。
   
   
   ICP经典点云配准：输入两个点云A,B，输出一个T’变换。让A->B的差距最小。

   c ( · )表示ICP找到的点对点对应
   rij它反映了应用ICP的距离最小化变换后对应点之间的剩余距离

   如果神经网络对Tt和Dt的估计是完美的，则Qt - 1与Qt - 1完美对齐。当不是这种情况时，使用ICP将( Qt-1 to Qt-1 )对齐产生一个变换T′t和残差rt，该变换T′t和残差rt可以用来调整Tt和Dt以获得更好的初始对齐。更具体地说，我们使用T′t作为损耗关于自运动Tt4的负梯度的近似。为了校正深度图Dt，我们注意到即使在校正T′t之后，在rt方向上移动点也会减少损失（那就是本身的Dt不够准）。因此，我们使用rt作为损耗关于深度Dt的负梯度的近似。注意这种对梯度的近似忽略了深度误差对其的影响。
   

4. 损失函数
   α = 0.85, β = 0.1, γ = 0.05, and ω = 0.15. 但是消融实验中ICP效果不如mask影响大？