Bestehende Ansätze zur Tiefen- oder Disparitätsschätzung erzeugen eine Verteilung über eine Menge vordefinierter diskreter Werte. Dies führt zu ungenauen Ergebnissen, wenn die tatsächliche Tiefe oder Disparität keinen dieser Werte entspricht. Die Tatsache, dass diese Verteilung in der Regel indirekt durch einen Regressionsverlust gelernt wird, verursacht zusätzliche Probleme in unsicheren Bereichen um Objektrandlinien. Wir adressieren diese Probleme mit einer neuen neuronalen Netzwerkarchitektur, die in der Lage ist, beliebige Tiefenwerte auszugeben, und einer neuen Verlustfunktion, die aus dem Wasserstein-Abstand zwischen den wahren und den vorhergesagten Verteilungen abgeleitet ist. Wir validieren unseren Ansatz an einer Vielzahl von Aufgaben, darunter Stereo-Disparität und Tiefenschätzung sowie die nachgeschaltete 3D-Objekterkennung. Unser Ansatz reduziert den Fehler in unsicheren Bereichen drastisch, insbesondere um Objektrandlinien herum, die sich stark auf die Lokalisierung von Objekten im 3D-Raum auswirken. Dadurch erreichen wir den aktuellen Stand der Technik in der 3D-Objekterkennung für autonome Fahrzeuge. Unser Code wird unter https://github.com/Div99/W-Stereo-Disp verfügbar sein.