複数フレームを使用できる設定において各フレームからの深度推定を統合し、確率分布として出力・学習する深層学習ベースの枠組みの提案。ベイジアンフィルタの枠組みを応用した、end-to-endで学習可能な逐次的更新法の提案。

フレーム間のカメラ姿勢が既知であるという仮定の元、屋内外の単眼深度推定タスクで最高性能。カメラ姿勢をVisual Odometryで推定した場合でも先行手法にほぼ匹敵。データセット間の転移も良く、確信度の低い領域に後処理を施すことで結果が改善できることも実証。

深層学習ベースのVOの基礎となる研究。SfMが苦手な不確定性を上手く扱えており、実用的な価値も期待できる。