Les données de profondeur vraies valeurs au niveau de chaque pixel sont difficiles à obtenir à grande échelle. Pour surmonter cette limitation, l'apprentissage auto-supervisé est apparu comme une solution prometteuse pour entraîner des modèles à estimer la profondeur à partir d'une seule image. Dans cet article, nous proposons une série d'améliorations qui, combinées, conduisent à des cartes de profondeur nettement supérieures, tant du point de vue quantitatif que qualitatif, par rapport aux méthodes auto-supervisées concurrentes. Les recherches sur l'entraînement monocular auto-supervisé explorent généralement des architectures de plus en plus complexes, des fonctions de perte et des modèles de formation d'image de plus en plus sophistiqués, qui ont récemment contribué à réduire l'écart avec les méthodes entièrement supervisées. Nous montrons qu'un modèle étonnamment simple, accompagné de choix de conception appropriés, permet d'obtenir des prédictions supérieures. Plus précisément, nous proposons : (i) une perte de reprojection minimale, conçue pour gérer robustement les occlusions ; (ii) une méthode d'échantillonnage multi-échelle à résolution complète, réduisant les artefacts visuels ; et (iii) une perte d'auto-masquage pour ignorer les pixels d'entraînement qui violent les hypothèses sur le mouvement de la caméra. Nous démontrons l'efficacité de chaque composant isolément, et présentons des résultats de haute qualité, parmi les meilleurs actuellement disponibles, sur la benchmark KITTI.