Purpose 把特征映射到高维做聚类，加上自监督的训练得到的图片的Depth信息结合来做VIS Pipline   用ResNet18作为Encoder，得到每一帧的feature x_t；然后用3D卷积，把前后两者特征再滤波得到z_t；z_t通过Decoder（2个分支，每个分支7层卷积，3个upsample，Embedding分支的output通道数为p，Depth通道数为1）