تمثّل تقدير العمق خطوة حاسمة في إعادة بناء الأبعاد الثلاثية باستخدام الصور البيانية (البانيوراما) في السنوات الأخيرة. تُحافظ الصور البيانية على المعلومات المكانية الكاملة، لكنها تُدخل تشوهات نتيجة استخدام التمثيل المتساوي المستقيمي (equirectangular projection). في هذه الورقة، نقترح شبكة ACDNet تعتمد على التوسيع التكيفي للانعكاسات المُتعددة (dilated convolution) لتقدير خريطة عمق كثيفة لصورة بانورامية أحادية العين. وبشكل خاص، ندمج نوى التحويل (convolution kernels) ذات معدلات توسيع مختلفة لتوسيع مجال الاستقبال (receptive field) في التمثيل المتساوي المستقيمي. وفي الوقت نفسه، نُقدّم وحدة دمج تكيفية حسب القنوات (adaptive channel-wise fusion module) لاستخلاص الخصائص من الخرائط المميزة، مما يتيح تأكيد مناطق انتباه متنوعة داخل مجال الاستقبال على طول القنوات. وبفضل استخدام الانتباه حسب القنوات في بناء وحدة الدمج التكيفية حسب القنوات، يمكن للشبكة التقاط واستغلال المعلومات السياقية بين القنوات بكفاءة عالية. وأخيرًا، أجرينا تجارب تقدير العمق على ثلاث مجموعات بيانات (شاملة للبيانات الافتراضية والواقعية)، وأظهرت النتائج التجريبية أن الشبكة المقترحة ACDNet تتفوّق بشكل ملحوظ على الطرق الحالية الأفضل (SOTA). يمكن الوصول إلى الكود والمعلمات النموذجية عبر الرابط التالي: https://github.com/zcq15/ACDNet.