这篇论文也是关于VO(视觉里程计)的一篇自监督文章。文章里面最主要的创新点是引入了时序模型以及GAN的生成式的模型。生成器主要学习估计深度和位姿用来产生扭曲的目标图像(warped target image)。而鉴别器用来在高层次的结构角度上评价生成图像的质量，用来克服在之前方法中基于像素损失的一些缺点。
介绍
VO/SLAM在过去的几十年里面被作为一个多视图几何问题来研究。很多传统方法在常规的一些场景当中表现很好，但是在一些有挑战性的条件下就会差强人意，因为他们内在的对一些低级的特征依赖性很强。
而有监督的学习需要监督信号，而获取这些标签是不切实际的。最近一些工作尝试去用自监督的方式将深度和姿态估计联合在一起。图像序列作为唯一的输入，所有的估计应该映射到图像空间作为自监督的形式。
这种映射基本上由视图合成以及光度损失度决定的，为了能够减少合成图像和真实图像的误差。深度的估计和姿态的估计是联合起来的，准确的深度估计可以对姿态估计有所帮助，反过来也是一样。利用用连续帧的关系可以消除在深度估计中的不准确性。
图像序列中的数据有很强的冗余性，直接将视频帧通过RGB图像进行堆叠然后处理是非常低效的。在这篇文章当中，我们提出学习一种根据视频帧的紧凑表示，时序的信息也能够通过LSTM利用这种紧凑表示不断累加。
Overview of method未完待续