픽셀 단위의 정답 깊이 데이터를 대규모로 확보하는 것은 어렵다. 이 한계를 극복하기 위해 자기지도 학습(self-supervised learning)이 단안 깊이 추정을 수행할 수 있는 모델을 훈련시키는 데 있어 유망한 대안으로 부상하고 있다. 본 논문에서는 기존의 자기지도 학습 방법들과 비교하여 정량적·정성적으로 개선된 깊이 맵을 생성할 수 있도록 하는 일련의 개선점을 제안한다. 최근 자기지도 단안 학습 연구는 점점 더 복잡한 아키텍처, 손실 함수, 이미지 형성 모델을 탐구해 왔으며, 이러한 노력들이 최근에는 완전히 지도된 학습 방법과의 격차를 좁히는 데 기여해 왔다. 본 연구에서는 놀랍도록 간단한 모델과 관련 설계 선택이 뛰어난 예측 성능을 낳을 수 있음을 보여준다. 구체적으로, (i) 겹침(occlusion)을 안정적으로 처리할 수 있도록 설계된 최소 재투영 손실(minimum reprojection loss), (ii) 시각적 아티팩트를 줄이기 위해 전체 해상도에서 다중 해상도 샘플링을 수행하는 방법, (iii) 카메라 운동 가정을 위반하는 훈련 픽셀을 자동으로 무시하는 자동 마스킹 손실(auto-masking loss)을 제안한다. 각 구성 요소의 독립적 효과를 실험적으로 입증하고, KITTI 벤치마크에서 높은 품질의 최신 기술 수준(SOTA) 성능을 달성함을 보여준다.