الطرق الحالية لتقدير العمق أو الاختلاف النسبي تنتج توزيعًا فوق مجموعة من القيم المتقطعة المحددة مسبقًا. هذا يؤدي إلى نتائج غير دقيقة عندما لا يتطابق العمق الحقيقي أو الاختلاف النسبي مع أي من هذه القيم. حقيقة أن هذا التوزيع يتم عادةً تعلمه بشكل غير مباشر عبر خسارة الانحدار (regression loss) تسبب مشاكل إضافية في المناطق الغامضة حول حدود الأشياء. نعالج هذه القضايا باستخدام هندسة شبكة عصبية جديدة قادرة على إنتاج قيم عمق تعسفية، ودالة خسارة جديدة مشتقة من المسافة فاسيرشتاين (Wasserstein distance) بين التوزيعات الحقيقية والمتوقعة. نتحقق من صحة نهجنا في مجموعة متنوعة من المهام، بما في ذلك تقدير الاختلاف النسبي الاستريو وتقدير العمق، وكشف الأشياء ثلاثية الأبعاد في العمليات اللاحقة. يقلل نهجنا بشكل كبير من الخطأ في المناطق الغامضة، خاصة حول حدود الأشياء التي تؤثر بشدة على تحديد موقع الأشياء في الفضاء ثلاثي الأبعاد، مما يجعله متقدمًا على أحدث التقنيات في كشف الأشياء ثلاثية الأبعاد للقيادة الذاتية. سيكون رمز البرمجيات الخاص بنا متاحًا على https://github.com/Div99/W-Stereo-Disp.