Wir präsentieren einen Ansatz, der sowohl Struktur als auch Semantik für das unüberwachte monokulare Lernen von Tiefeninformation und Egomotion nutzt. Genauer gesagt modellieren wir die Bewegung einzelner Objekte und lernen deren 3D-Bewegungsvektor gemeinsam mit der Tiefeninformation und der Egomotion. Wir erzielen genauere Ergebnisse, insbesondere für herausfordernde dynamische Szenen, die von früheren Ansätzen nicht behandelt wurden. Dies ist eine erweiterte Version von Casser et al. [AAAI'19]. Der Quellcode und die Modelle sind unter https://sites.google.com/corp/view/struct2depth öffentlich zugänglich gemacht worden.