本公开提供了一种模型训练和图像处理方法、装置、设备及存储介质，涉及人工智能技术领域，具体涉及计算机视觉、3D视觉和深度学习技术。具体实现方案为：将单目视频中相邻两图像帧输入至位姿估计模型，得到所述相邻两图像帧中第一图像帧到第二图像帧的位姿变换信息，以及将所述第一图像帧输入至深度估计模型，得到所述第一图像帧的深度图；根据相机内参、所述位姿变换信息和所述深度图，以及所述第一图像帧中像素点的像素特征和描述特征，构建所述第二图像帧的重构图；所述描述特征包括全局描述特征和/或局部描述特征；根据所述第二图像帧和所述重构图，对所述位姿估计模型和所述深度估计模型进行联合训练。上述技术方案可提高模型的训练精度。