自监督方法在单目深度估计中发挥着日益重要的作用，这得益于其巨大的潜力以及较低的标注成本。为了缩小与监督方法之间的性能差距，近期研究尝试引入额外的约束条件，例如语义分割。然而，这类方法不可避免地增加了模型的负担。本文通过理论分析与实证研究证明，无需增加额外成本，即可充分挖掘自监督单目深度估计的潜在能力。具体而言，本文提出三项创新：（1）一种新型数据增强方法——数据嫁接（data grafting），迫使模型在依赖垂直图像位置之外，探索更多深度线索；（2）一种探索性自蒸馏损失（exploratory self-distillation loss），其监督信号由我们提出的新型后处理方法——选择性后处理（selective post-processing）生成；（3）全尺度网络结构（full-scale network），旨在赋予编码器更强的深度估计任务专属性，并提升模型的表征能力。大量实验表明，本文所提方法在不增加计算开销的前提下，显著提升了基线模型的性能，所提出的模型EPCDepth在多个基准上超越了此前最先进的方法，包括那些依赖额外约束的监督方法。