تُعد تقدير العمق المنفرد ذاتي التدريب حلاً جذاباً لا يتطلب علامات عمق صعبة الحصول عليها أثناء التدريب. وقد حققت الشبكات العصبية التلافيفية (CNNs) نجاحاً كبيراً مؤخراً في هذا المهمة. ومع ذلك، فإن الحقل الاستقبال المحدود لهذه الشبكات يحد من قدرة البنية المعمارية الحالية على التفكير بشكل محلي فقط، مما يقلل من فعالية نموذج التدريب الذاتي. بالنظر إلى النجاحات الأخيرة التي حققتها نماذج الرؤية القائمة على التحويل (ViTs)، نقترح إطار عمل جديد يُسمى MonoViT، يدمج القدرة على التفكير الشامل التي توفرها نماذج ViT مع المرونة المتوفرة في تقدير العمق المنفرد ذاتي التدريب. من خلال دمج التلافيف البسيطة مع كتل التحويل، يمكن لنموذجنا التفكير بشكل محلي وشامل في آنٍ واحد، مما يؤدي إلى توقعات عمق أكثر دقة وتفصيلاً، ويُمكن MonoViT من تحقيق أداءً رائداً على مجموعة بيانات KITTI المعروفة. علاوةً على ذلك، تُثبت MonoViT قدراتها المتفوقة على التعميم على مجموعات بيانات أخرى مثل Make3D وDrivingStereo.