تهدف التكيف النطاقي للتقسيم الدلالي إلى تحسين أداء النموذج في ظل وجود تغير في التوزيع بين المجال المصدر والمجال الهدف. يمتلك الاستفادة من الإشراف الناتج عن المهام المساعدة (مثل تقدير العمق) إمكانية علاج هذا التغير، نظرًا لأن العديد من المهام البصرية مرتبطة ارتباطًا وثيقًا ببعضها البعض. ومع ذلك، فإن هذا الإشراف ليس دائمًا متاحًا. في هذا العمل، نستفيد من التوجيه الناتج عن تقدير العمق ذاتيًا، الذي يكون متاحًا في كلا المجالين، لسد الفجوة بين المجالين. من جهة، نقترح تعلُّمًا صريحًا لارتباط ميزات المهمة لتعزيز التنبؤات الدلالية للهدف بمساعدة تقدير عمق الهدف. ومن جهة أخرى، نستخدم الفرق في تنبؤات العمق بين معالجات العمق الخاصة بالمجال المصدر والمجال الهدف لتقريب صعوبة التكيف على مستوى البكسل. ثم تُستخدم صعوبة التكيف، المستخلصة من تقدير العمق، لتحسين التسميات الوهمية للتقسيم الدلالي للهدف. يمكن تنفيذ الطريقة المقترحة بسهولة ضمن الإطارات الحالية للتقسيم. ونُظهر فعالية منهجنا على مهام المعيار SYNTHIA-to-Cityscapes وGTA-to-Cityscapes، حيث نحقق أداءً جديدًا للحالة الراهنة بـ $55.0\%$55.0% و$56.6\%$56.6% على التوالي. يمكن الوصول إلى الكود الخاص بنا من خلال الرابط: \url{https://qin.ee/corda}.