我们提出了自监督几何感知(SGP),这是学习特征描述符进行对应匹配的第一个通用框架,无需任何地形图几何模型标签(例如,相机姿态,刚性变换)。我们的第一个贡献是将几何感知表述为一个优化问题,在给定大量视觉测量(如图像、点云)的情况下,将特征描述符和几何模型联合优化。在此优化公式下,我们发现视觉领域的两个重要研究方向,即鲁棒模型拟合和深度特征学习,对应于优化一个未知变量块,同时固定另一个未知变量块。这种分析自然引出了我们的第二个贡献——SGP算法,它执行交替最小化来解决联合优化。SGP迭代执行两种元算法:教师对已知特征进行鲁棒模型拟合以生成几何伪标签,而学生则在伪标签的噪声监督下进行深度特征学习。第三,我们将SGP应用于大型真实数据集上的两个感知问题,即MegaDepth上的相对摄像机姿态估计和3DMatch上的点云配准。我们证明了SGP达到了最先进的性能,与使用ground-truth标签训练的有监督的先知一样或更好。