自己監視学習は、フォトコンシステンシーの損失を最小限に抑えることにより、推定された深度と人体の3D非剛体運動に従ってワープされたビデオフレームとその隣接フレーム間で評価されます。この非剛体運動を解決するには、まず各ビデオフレームで大まかなSMPLモデルを推定し、それに応じて非剛体運動を計算します。これにより、形状の詳細を推定する際の自己監視学習が可能になります。

実験は、私たちの方法がより一般化できるし、室外のデータに対してはるかに優れたパフォーマンスを発揮することを示しています。