التقنيات الحديثة في تقدير العمق الأحادي الذاتي-الإشراف تقترب من أداء الطرق المشرف عليها، لكنها تعمل بدقة منخفضة فقط. نوضح أن الدقة العالية هي مفتاح نحو التنبؤ بعمق ذاتي-الإشراف أحادي عالي الجودة. مستوحى من الطرق الحديثة للتعلم العميق لزيادة دقة الصورة الفردية (Single-Image Super-Resolution)، نقترح توسيع طبقة التحويل الشبكي الفرعي (sub-pixel convolutional layer) لزيادة دقة العمق الذي يُنتج بشكل دقيق الاختلافات عالية الدقة من الخصائص الشبكية المنخفضة الدقة المقابلة لها. بالإضافة إلى ذلك، نقدم طبقة زيادة قابلة للمفاضلة (differentiable flip-augmentation layer) التي تندمج بشكل دقيق التوقعات من الصورة ونسختها المعكوسة أفقياً، مما يقلل من تأثير المناطق المظللة على اليمين واليسار التي تنشأ في خريطة الاختلاف بسبب الإخفاء. كلتا المساهمتين توفران مكاسب أداء كبيرة على الحالة الحالية للتقنية في تقدير العمق والوضع الذاتي-الإشراف على معيار KITTI العام. يمكن مشاهدة فيديو يوضح طريقتنا على الرابط التالي: https://youtu.be/jKNgBeBMx0I.