يتناول هذا البحث مشكلة تقدير العمق من صورة ثابتة واحدة. مستوحى من الأعمال الحديثة حول شبكات النيورونات التلافيفية متعددة المقياس (CNN)، نقترح نموذجًا عميقًا يدمج المعلومات التكميلية المستخرجة من مخرجات جانبية متعددة لشبكات النيورونات التلافيفية. على عكس الأساليب السابقة، يتم الحصول على الدمج باستخدام حقول عشوائية شرطية مستمرة (CRFs). بشكل خاص، نقترح نوعين مختلفين من التغيرات، أحدهما يستند إلى سلسلة من الحقول العشوائية الشرطية المتعددة، والآخر إلى نموذج رسومي موحد. عن طريق تصميم تنفيذ جديد لشبكة النيورونات التلافيفية للتحديثات الوسطية لمجالات CRFs المستمرة، نوضح أن كلا النموذجين المقترحين يمكن اعتبارهما شبكات عميقة تتابعية وأن يمكن إجراء التدريب بطريقة شاملة. ومن خلال تقييم تجريبي شامل، نثبت فعالية الأسلوب المقترح ونحدد نتائج جديدة رائدة في مجال البيانات العامة المتاحة.