قد حققت تقدير العمق المراقب دقة عالية بفضل التطور في هياكل الشبكات العميقة. ومع ذلك، فإن الحصول على تسميات العمق الحقيقية (البيانات المرجعية) أمر صعب، لذا تحاول الطرق الحديثة تعلم شبكات تقدير العمق بطريقة غير مراقبة من خلال استكشاف مؤشرات غير مراقبة، والتي تكون فعالة ولكن أقل موثوقية من التسميات الحقيقية. طريقة ناشئة لحل هذه المعضلة هي نقل المعرفة من الصور المصطنعة ذات البيانات المرجعية للعمق عبر تقنيات التكيف بين المجالات. ومع ذلك، فإن هذه الأساليب تتجاهل البنية الهندسية الخاصة للصور الطبيعية في المجال المستهدف (أي البيانات الحقيقية)، وهي مهمة لتحقيق تقدير عمق عالي الأداء. انطلاقًا من هذا الملاحظ، نقترح إطارًا جديدًا للتكييف بين المجالات بشكل متناظر مع الوعي بالهندسة (GASDA) لاستكشاف التسميات في البيانات المصطنعة والهندسة البؤرية في البيانات الحقيقية معًا. بالإضافة إلى ذلك، عن طريق تدريب مترجمين اثنين لنمط الصورة وتقدير العمق بشكل متناظر في شبكة شاملة، يحقق نموذجنا تحويل أفضل لنمط الصورة وإنتاج خرائط عمق ذات جودة عالية. تظهر النتائج التجريبية فعالية الطريقة المقترحة وأدائها المنافس لأحدث التقنيات. سيتم توفير الكود بشكل عام على الرابط التالي: https://github.com/sshan-zhao/GASDA.