Une pose relative précise est l'un des éléments clés de la odométrie visuelle (VO) et de la localisation et cartographie simultanées (SLAM). Récemment, le cadre d'apprentissage auto-supervisé qui optimise conjointement la pose relative et la profondeur de l'image cible a suscité l'attention de la communauté. Les travaux précédents s'appuyaient sur l'erreur photométrique générée à partir des profondeurs et des poses entre les images consécutives, qui contient une grande erreur systématique dans des scènes réalistes en raison de surfaces réfléchissantes et d'occlusions. Dans cet article, nous comblons le fossé entre la perte géométrique et la perte photométrique en introduisant une perte de correspondance contrainte par la géométrie épipolaire dans un cadre auto-supervisé. Évaluée sur le jeu de données KITTI, notre méthode surpass largement les méthodes d'estimation du mouvement égocentrique non supervisées les plus avancées. Le code et les données sont disponibles à l'adresse suivante : https://github.com/hlzz/DeepMatchVO.