単眼での深度推定および点群再構成について、学習データに混合データを使うことで生じる、未知の奥行きシフトや未知のカメラ焦点距離に着目していなかった。 まず、単一の単眼画像から未知のスケールとシフトまでの奥行きを事前に予測し、次に3D点群エンコーダーを用いて、現実的な3Dシーンの形状を復元するために必要な、不足している奥行きのシフトと焦点距離を予測するという2段階のフレームワークを提案する。