近年、深層学習に基づく単一視点深度推定手法は非常に有望な結果を示している。しかし、こうした手法は人間の視覚システムにおいて深度を決定する上で最も重要な特徴の一つである「運動」を無視している。本研究では、再帰型ニューラルネットワーク（RNN）を用いた学習ベースの多視点高密度深度マップおよびオドメトリ推定手法を提案する。この手法は、多視点画像の再投影および前向き・後向きのフロー一貫性損失を用いて学習を行う。本モデルは教師あり学習だけでなく、教師なし学習モードでも訓練可能である。入力フレームが時間的に相関を持つ動画からの深度および視覚オドメトリ推定を目的として設計されているが、単一視点深度推定にも一般化可能である。KITTIドライビングデータセットにおける単一視点および多視点学習ベースの深度推定において、本手法は最先端手法を上回る優れた結果を達成した。