لا تزال تقدير العمق من منظور واحد تحديًا مفتوحًا بسبب الطبيعة غير المحددة جيدًا للمشكلة المطروحة. تم دراسة تقنيات تعتمد على التعلم العميق بشكل واسع، وأثبتت قدرتها على إنتاج دقة مقبولة في تقدير العمق، رغم أن نقص الإشارات العميقة المفيدة والموثوقة داخل الصور الفردية ذات القنوات الثلاثة (RGB) يحد بشكل كبير من أدائها. تُستخدم الطرق القائمة على فتحة مُشفَّرة باستخدام أقنعة الطور والشدة لتشييد إشارات عميقة قوية داخل الصور ثنائية الأبعاد من خلال دوال انتشار النقطة (PSFs) التي تعتمد على العمق، وذلك على حساب تقليل جودة الصورة. في هذه الورقة، نقترح نهجًا جديدًا يعتمد على التعلم من الطرف إلى الطرف لتقدير العمق من خلال التشتت الدوراني. يتم تحسين قناع الطور الذي يُنتج دالة انتشار نقطة دوارة (RPSF) كدالة للانحراف بشكل مشترك مع أوزان شبكة عصبية لتقدير العمق. ولتحقيق ذلك، نقدم نموذجًا فيزيائيًا قابلاً للتفاضل لقناع الفتحة، ونستفيد من محاكاة دقيقة لسلسلة التصوير بالكاميرا. يُعد نهجنا أقل تعقيدًا بكثير ويحتاج إلى كمية أقل من البيانات التدريبية، مع أن أداؤه يتفوق على الطرق الحالية في مسألة تقدير العمق من منظور واحد على مجموعات معايير داخلية. بالإضافة إلى ذلك، نعالج مشكلة تدهور الصورة من خلال دمج وحدة إزالة الضباب غير العمياء وغير الموحدة لإعادة استرجاع الصورة الحادة ذات التركيز الكامل من نسخة مُضبَّبة بفعل RPSF.