El paradigma de estimación de profundidad monocular auto-supervisado se ha convertido en una rama importante de las tareas de estimación de profundidad de visión por computadora. Sin embargo, el problema de estimación de profundidad que surge de la extracción de la profundidad de bordes de objetos u ocultación aún no se ha resuelto. La discontinuidad en escala de grises de los bordes de los objetos conduce a una incertidumbre de profundidad relativamente alta de los píxeles en estas regiones. Mejoramos los resultados de predicción de bordes geométricos teniendo en cuenta la incertidumbre en la tarea de estimación de profundidad. Para ello, exploramos cómo la incertidumbre afecta a esta tarea y proponemos una nueva técnica de estimación de profundidad monocular auto-supervisada basada en incertidumbre multi-escala. Además, introducimos una arquitectura de profesor-estudiante en los modelos e investigamos el impacto de diferentes redes de profesores en los resultados de profundidad e incertidumbre. Evaluamos el rendimiento de nuestro paradigma en detalle en el conjunto de datos KITTI estándar. Los resultados experimentales muestran que la precisión de nuestro método aumentó de a , la tasa de error disminuyó de a , la tasa de error disminuyó de a , y la tasa de error disminuyó de a en comparación con el benchmark Monodepth2. Nuestro enfoque tiene un impacto positivo en el problema de replicación de texturas o límites de objetos inexactos, produciendo imágenes de profundidad más nítidas y suaves.