أظهرت طرق التعلم العميق المشرف عليها نتائج واعدة في مهمة تقدير العمق الأحادي؛ ومع ذلك، فإن الحصول على الحقيقة الأرضية مكلف ويعرض للضوضاء والأخطاء. بينما تم استخدام مجموعات البيانات الاصطناعية لتجاوز المشكلات أعلاه، فإن النماذج الناتجة لا تعمم بشكل جيد على المشاهد الطبيعية بسبب الانحراف النطاقي الداخلي. أدت الطرق المعادية الحديثة للتكيف النطقي إلى تخفيف الاختلافات بين المجالات المصدر والهدف بشكل جيد. ولكن هذه الطرق محدودة في الغالب إلى هيكل التصنيف ولا تتوسع بشكل جيد لمعماريات التحويل الكامل. في هذا العمل، نقترح AdaDepth - استراتيجية تكيف نطاقي غير مشرف للمهمة الانحدارية البكسلية لتقدير العمق الأحادي. يتجنب النهج المقترح حدودًا أعلاه من خلال: أ) التعلم المعادي وب) فرض صراحة التوافق المحتوى على التمثيل المستهدف المتكيف. يؤدي نهجنا غير المشرف بشكل تنافسي مع الأساليب الأخرى المعروفة في مهام تقدير العمق ويحقق أفضل النتائج الحالية في الإعداد شبه المشرف (Semi-Supervised Setting).