بالنسبة لتقدير العمق من صورة واحدة، فإن الحصول على القيم الحقيقية (ground truths) للبيانات الحقيقية ليس سهلاً، وبالتالي تُستخدم عادةً طرق التكييف بين المجالات (domain adaptation) مع البيانات المُصَنَّعة المُراقبة. ومع ذلك، قد يظل هناك فجوة كبيرة بين المجالات بسبب نقص الإشراف من البيانات الحقيقية. في هذه الورقة، نطور إطاراً لتكييف المجال من خلال إنشاء قيم مُحَقَّقة مُصَنَّعة موثوقة للعمق من البيانات الحقيقية، بهدف توفير إشراف مباشر. بشكل محدد، نقترح آلتيْن لوضع التسميات الوهمية (pseudo-labeling): 1) تسميات وهمية تعتمد على الصورة ثنائية الأبعاد (2D)، من خلال قياس اتساق توقعات العمق عند عرض صور ذات محتوى متماثل ولكن بأساليب مختلفة؛ 2) تسميات وهمية واعية بالبعد الثالث (3D)، من خلال شبكة لإكمال السحابة النقطية (point cloud completion network) التي تتعلم إكمال قيم العمق في الفضاء ثلاثي الأبعاد، مما يوفر معلومات هيكلية أكثر في المشهد، لتحسين وتعزيز إنشاء تسميات وهمية أكثر موثوقية. في التجارب، نُظهر أن طرق التسمية الوهمية المقترحة تُحسّن تقدير العمق في مختلف الإعدادات، بما في ذلك استخدام أزواج الصور المُستereo أثناء التدريب. علاوةً على ذلك، تُظهر الطريقة المقترحة أداءً مُرضياً مقارنةً بعدة طرق حديثة من نوع التكييف بين المجالات غير المُراقبة (unsupervised domain adaptation) على مجموعات بيانات واقعية.