自己監視型の深度推定は、自動運転やロボティクスにおいて注目を集めていますが、悪天候下では性能が大きく低下する問題があります。特に雨や霧などの視界不良が深度予測に悪影響を与えます。本研究では、SEC-Depthと呼ばれる新しい自己進化対比学習フレームワークを提案し、ロバストな自己監視型深度推定を実現します。このアプローチは、訓練中に生成される中間パラメータを利用して、時間的に進化する遅延モデルを構築します。自己進化対比損失を導入し、過去の遅延モデルの出力を負のサンプルとして扱うことで、学習目標を適応的に調整し、手動介入の必要を減じます。実験の結果、この方法は様々な基準モデルにシームレスに統合でき、ゼロショット評価において大幅なロバスト性の向上を示しました。