Nous présentons un cadre d’apprentissage non supervisé pour la tâche d’estimation de la profondeur monoscopique et du mouvement de caméra à partir de séquences vidéo non structurées. Cela est réalisé en entraînant simultanément des réseaux d’estimation de profondeur et de pose de caméra, en utilisant la synthèse de vue comme signal de supervision. Les réseaux sont donc couplés par l’objectif de synthèse de vue pendant l’entraînement, mais peuvent être utilisés indépendamment au moment de l’évaluation. Une évaluation expérimentale sur le jeu de données KITTI démontre l’efficacité de notre approche : 1) une estimation de profondeur monoscopique comparable aux méthodes supervisées utilisant soit une pose vraie, soit une profondeur vraie pour l’entraînement ; 2) une estimation de pose performant favorablement par rapport aux systèmes SLAM établis, sous des conditions d’entrée comparables.