التقدير الأحادي للعمق ضمن نموذج التوزيع-إزالة الضوضاء يظهر قدرة تعميم مثيرة للإعجاب ولكنه يعاني من سرعة استدلال منخفضة. الطرق الحديثة تتبنى نموذجًا حتميًا في خطوة واحدة لتحسين كفاءة الاستدلال مع الحفاظ على أداء مماثل. ومع ذلك، فإنها تتجاهل الفجوة بين الخصائص التوليدية والتمييزية، مما يؤدي إلى نتائج غير مثلى. في هذا العمل، نقترح DepthMaster (ماستر العمق)، وهو نموذج توزيع في خطوة واحدة مصمم لتكييف الخصائص التوليدية للمهمة التمييزية لتقدير العمق. أولاً، لحل مشكلة الانسياق الزائد نحو تفاصيل النسيج التي تُدخلها الخصائص التوليدية، نقترح وحدة تناسق الخصائص (Feature Alignment module) والتي تقوم بدمج خصائص معنوية عالية الجودة لتعزيز قدرة الشبكة إزالة الضوضاء على تمثيل البيانات. ثانياً، لمعالجة نقص التفاصيل الدقيقة في الإطار الحتمي ذو الخطوة الواحدة، نقترح وحدة تعزيز فورييه (Fourier Enhancement module) لتوازن بشكل متكيف بين البنية ذات التردد المنخفض والتفاصيل ذات التردد العالي. نعتمد استراتيجية تدريب ثنائية المراحل للاستفادة الكاملة من إمكانات الوحدتين. في المرحلة الأولى، نركز على تعلم بنية المشهد العالمية باستخدام وحدة تناسق الخصائص، بينما في المرحلة الثانية، نستغل وحدة تعزيز فورييه لتحسين جودة الصورة البصرية. من خلال هذه الجهود، يحقق نموذجنا أفضل الأداء فيما يتعلق بالتعميم والحفاظ على التفاصيل، حيث يتفوق على باقي الطرق القائمة على النشر عبر مجموعة متنوعة من المجموعات المعطاة. يمكن العثور على صفحة مشروعنا على الرابط التالي: https://indu1ge.github.io/DepthMaster_page.