يتعامل هذا البحث مع مهمة تقدير العمق غير المراقب في البيئات الداخلية. تُعد هذه المهمة صعبة للغاية بسبب المساحات الواسعة من المناطق الخالية من النسيج في هذه المشاهد. يمكن أن تُربك هذه المناطق عملية التحسين في الإطار الشائع المستخدم لتقدير العمق غير المراقب، والذي تم تطويره في البيئات الخارجية. ومع ذلك، حتى عند إزالة هذه المناطق، تبقى الأداء غير مرضٍ. في هذا العمل، نفترض أن الأداء الضعيف يُعزى إلى تطابق النقاط غير المميزة. ولحل هذه المشكلة، نقترح نموذج P$^2$2Net. نبدأ باستخراج النقاط ذات الانحدار المحلي الكبير، ثم نستخدم المساحات (البَكِّتات) المتمركزة حول كل نقطة كتمثيل لها. بعد ذلك، نُعرّف دالة التوافق متعدد الرؤى على هذه البَكِّتات، مما يُحسّن بشكل كبير مرونة تدريب الشبكة. علاوةً على ذلك، نظرًا لأن المناطق الخالية من النسيج في البيئات الداخلية (مثل الجدران، والأرضيات، والأسقف، إلخ) غالبًا ما تتوافق مع مناطق مستوية، نقترح استخدام "البُكَّتات الفائقة" (superpixels) كمُقدِّمٍ للسطح المستوِي. ونفرض أن العمق المُقدَّر يجب أن يكون مطابقًا بشكل جيد لسطح مستوٍ ضمن كل بُكَّتة فائقة. أظهرت التجارب الواسعة على مجموعتي بيانات NYUv2 وScanNet أن نموذج P$^2$2Net يتفوّق على الطرق الحالية بفارق كبير. يمكن الوصول إلى الكود من خلال الرابط التالي: \url{https://github.com/svip-lab/Indoor-SfMLearner}.