Die Schätzung von Homographien zwischen mehreren Luftbildern kann zur relativen Pose-Schätzung für die kollaborative autonome Erkundung und Überwachung beitragen. Die Anwendung in einem Robotersystem erfordert einen schnellen und robusten Algorithmus zur Homographie-Schätzung. In dieser Studie schlagen wir einen unüberwachten Lernalgorithmus vor, der ein tiefes Faltungsneuronales Netzwerk (Deep Convolutional Neural Network) trainiert, um ebene Homographien zu schätzen. Wir vergleichen den vorgeschlagenen Algorithmus mit traditionellen merkmalsbasierten und direkten Methoden sowie mit einem entsprechenden überwachten Lernalgorithmus. Unsere empirischen Ergebnisse zeigen, dass im Vergleich zu traditionellen Ansätzen der unüberwachte Algorithmus eine schnellere Inferenzgeschwindigkeit erreicht, während er gleichwertige oder bessere Genauigkeit und Robustheit gegenüber Beleuchtungsänderungen aufrechterhält. Darüber hinaus weist unsere unüberwachte Methode sowohl bei einem synthetischen Datensatz als auch bei einem repräsentativen realen Luftbild-Datensatz eine überlegene Anpassungsfähigkeit und Leistung auf im Vergleich zur überwachten Tiefen-Lernmethode.