自己教師あり手法は、高い潜在能力と低コストのアノテーションという利点から、単眼深度推定分野においてますます重要な役割を果たしている。監視付き手法との性能ギャップを埋めるために、最近の研究ではセマンティックセグメンテーションなどの追加制約を活用している。しかし、こうしたアプローチはモデルに必然的に負荷を増加させる。本論文では、この負荷を増大させることなく、自己教師あり単眼深度推定の潜在的性能を引き出すことが理論的および実証的に示されている。具体的には、(1) 垂直方向の画像位置以外のより多くの手がかりをモデルが探索するよう強制する新たなデータ拡張手法「データグラフティング」、(2) 提案する新しい後処理手法「選択的後処理」によって生成される自己蒸留ラベルによって監督される探索的自己蒸留損失、および (3) エンコーダに深度推定タスクに特化した能力を付与し、モデルの表現力を強化するためのフルスケールネットワークの導入を提案する。広範な実験により、本研究の貢献が、計算負荷をさらに抑える前提でもベースラインに対する顕著な性能向上をもたらすことが確認された。また、本モデルであるEPCDepthは、追加の制約で監視された従来の最先端手法をも上回る性能を達成している。