Une carte de profondeur précise de l'environnement est cruciale pour le fonctionnement en toute sécurité des robots et véhicules autonomes. Actuellement, on utilise soit la détection et l'évaluation par laser (LIDAR), soit des algorithmes de correspondance stéréoscopique pour acquérir ces informations de profondeur. Cependant, un LIDAR à haute résolution est coûteux et produit une carte de profondeur peu dense sur de grandes distances ; les algorithmes de correspondance stéréoscopique sont capables de générer des cartes de profondeur plus denses, mais ils sont généralement moins précis que le LIDAR à longue portée. Cet article combine ces deux approches pour générer des cartes de profondeur denses et de haute qualité. Contrairement aux approches précédentes qui sont formées à l'aide d'étiquettes vérité-terrain, le modèle proposé adopte un processus d'entraînement auto-supervisé. Les expériences montrent que la méthode proposée est capable de générer des cartes de profondeur denses et de haute qualité, et qu'elle performe robustement même avec des entrées à faible résolution. Cela démontre le potentiel de réduire les coûts en utilisant des LIDARs à faible résolution conjointement avec des systèmes stéréoscopiques tout en maintenant une haute résolution.