单应性估计在众多计算机视觉任务中通常是一个不可或缺的步骤。然而，现有方法在面对光照变化和/或较大视角变化时往往缺乏鲁棒性。本文提出了一种用于无监督单应性估计的双向隐式单应性估计（bidirectional implicit Homography Estimation, biHomE）损失函数。biHomE通过最小化源视角下经过单应性变换后的图像与目标视角下对应图像在特征空间中的距离，实现对单应性的优化。由于我们采用固定的预训练特征提取器，且整个框架中唯一可学习的组件是单应性网络，因此我们有效地将单应性估计与表征学习解耦。在合成COCO数据集的生成过程中，我们引入了额外的光度畸变步骤，以更真实地模拟现实场景中的光照变化。实验结果表明，biHomE在合成COCO数据集上达到了当前最优的性能，其表现与监督方法相比也相当甚至更优。此外，实证结果进一步验证了本方法在应对光照变化方面相较于现有方法具有更强的鲁棒性。