أصبحت تقدير العمق من منظور واحد ذاتي التدريب موضوعًا للدراسة المكثفة في السنوات الأخيرة، وذلك بفضل تطبيقاتها في الروبوتات والقيادة الذاتية. وتركز معظم الدراسات الحديثة على تحسين تقدير العمق من خلال زيادة تعقيد المعمارية. تُظهر هذه الورقة أنه يمكن أيضًا تحقيق أداء متقدم على مستوى الحد الأقصى من خلال تحسين عملية التعلم بدلًا من زيادة تعقيد النموذج. وبشكل أكثر تحديدًا، نقترح (أ) تجاهل الكائنات الصغيرة التي قد تكون ديناميكية أثناء التدريب، و(ب) استخدام نهج مبني على المظهر لتقدير موضع الكائنات الحقيقية الديناميكية بشكل منفصل. ونُظهر أن هذه التبسيطات تقلل من استهلاك ذاكرة وحدة معالجة الرسومات (GPU) بنسبة 29%، وتحسّن بشكل كمي ونوعي خرائط العمق. يُمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/kieran514/Dyna-DM.