Eine genaue Tiefenkarte der Umgebung ist entscheidend für die sichere Betriebsführung autonomer Roboter und Fahrzeuge. Derzeit werden entweder Lichtdetection-und-Ranging-Systeme (LIDAR) oder Stereo-Matching-Algorithmen verwendet, um solche Tiefeninformationen zu erlangen. Ein hochauflösendes LIDAR ist jedoch teuer und erzeugt bei großer Reichweite eine dünn besetzte Tiefenkarte; Stereo-Matching-Algorithmen können dichtere Tiefenkarten generieren, sind aber im Allgemeinen bei großer Entfernung weniger genau als LIDAR. In dieser Arbeit werden diese Ansätze kombiniert, um hochwertige, dichte Tiefenkarten zu erstellen. Im Gegensatz zu früheren Methoden, die mit Ground-Truth-Labels trainiert wurden, verwendet das vorgeschlagene Modell einen selbstüberwachten Trainingsprozess. Experimente zeigen, dass die vorgeschlagene Methode in der Lage ist, hochwertige, dichte Tiefenkarten zu generieren und auch bei niedrigen Auflösungen robust performt. Dies zeigt das Potenzial, die Kosten durch den Einsatz von LIDARs mit geringerer Auflösung in Kombination mit Stereo-Systemen zu senken, während gleichzeitig eine hohe Auflösung gewährleistet wird.