Les techniques récentes en estimation de profondeur monoculaire auto-supervisée approchent les performances des méthodes supervisées, mais fonctionnent uniquement à faible résolution. Nous démontrons que la haute résolution est essentielle pour une prédiction de profondeur monoculaire auto-supervisée de haute fidélité. Inspirés par les méthodes d'apprentissage profond récentes pour le Sur-Échantillonnage d'Images Uniques (Single-Image Super-Resolution), nous proposons une extension de couche convolutive sous-pixel pour le sur-échantillonnage de profondeur qui synthétise avec précision des disparités à haute résolution à partir de leurs caractéristiques convolutives correspondantes à faible résolution. De plus, nous introduisons une couche d'augmentation différentiable par retournement qui fusionne avec précision les prédictions issues de l'image et de sa version retournée horizontalement, réduisant ainsi l'effet des régions d'ombre gauche et droite générées dans la carte de disparité en raison des occultations. Ces deux contributions offrent des gains de performance significatifs par rapport à l'état de l'art en estimation auto-supervisée de profondeur et de pose sur le benchmark public KITTI. Une vidéo présentant notre approche est disponible à l'adresse suivante : https://youtu.be/jKNgBeBMx0I.