في تقدير العمق من صورة واحدة، تم استكشاف التكيّف غير المُشرَّف للنطاق مؤخرًا لتقليل الاعتماد على مجموعات بيانات كبيرة مُعلّمة ذات عمق مبني على الصور. ومع ذلك، يترتب على ذلك تدريب نماذج متعددة أو اشتراط بروتوكولات تدريب معقدة. نُصِرِّف التكيّف غير المُشرَّف للنطاق في تقدير العمق من صورة واحدة كمشكلة تعلّم شبه مُشرَّف تعتمد على الاتساق، بافتراض توفر العلامات الحقيقية فقط من نطاق المصدر. ولتحقيق ذلك، نقدّم دالة خسارة ثنائية تُنظِّم التنبؤات على نطاق المصدر، مع ضمان اتساق التغيرات عبر عدة عروض مُعدّلة للعينات غير المُعلَّمة في النطاق المستهدف. وبشكل مهم، يُعدّ نهجنا بسيطًا وفعالًا، حيث يتطلب تدريب نموذج واحد فقط، على عكس الطرق السابقة. وفي تجاربنا، نعتمد على معايير تقدير العمق القياسية KITTI وNYUv2 لإظهار نتائج تفوق الأدوات المرتبطة بالمنافسين. علاوةً على ذلك، نحلّل بساطة وفعالية نهجنا من خلال سلسلة من الدراسات التحليلية (أبروشن). يمكن الوصول إلى الكود من خلال الرابط: \url{https://github.com/AmirMaEl/SemiSupMDE}.