前面提過，經過計算得到的 E 並不會符合 Essential Matrix 的特性，因此我們需要對 E 做 SVD 分解，得到 ，並將 設為 ，其中 是 E 的兩個最大的奇異職的平均值，再把 重新組合成 。

這裡代表的意義是什麼呢？假設我們要利用 E 找到真正的 Essential Matrix ，他有兩個相同的奇異值，第三個為 0。我們這麼做是得到一個 的估計值，其中 是 Frobenius norm，也就是矩陣所有元素平方和的開根號。

四個可能的解 是怎麼來的呢？這裡我們要回到 Essential Matrix 的定義 ，其中 是一個 skew-symmetric 矩陣，rank 為 2， 是一個旋轉矩陣，正交，且 。我們甚至可以將中間奇異值矩陣寫成 ，因為無論我們對 乘上一個常數，結果都一樣。這樣 就變成 。

這裡假設兩個矩陣：

是一個旋轉矩陣， 是一個 skew-symmetric 矩陣。我們把 分解成：

1. 或是 乘開來就是
2. 或是 都會是合法的旋轉矩陣
3. 是一個 skew-symmetric 矩陣

綜合以上特性，有兩種可能的 加上 的正負號未知，共有四種解。

詳細的推導可以參考《Multiple View Geometry in Computer Vision》一書，在這邊八點法的部分會告一段落，接下來會討論如何處理多組匹配點並存在錯誤匹配 (outliers) 的情況。