监督深度学习方法在单目深度估计任务中显示出令人鼓舞的结果；然而，获取真实数据既昂贵又容易受到噪声和不准确性的影响。虽然合成数据集已被用于规避上述问题，但由于固有的域偏移，所得到的模型在自然场景中的泛化能力较差。近期针对域适应的对抗方法在减轻源域和目标域之间的差异方面表现出色。但这些方法大多局限于分类设置，并且对于全卷积架构的扩展性不佳。在这项工作中，我们提出了一种名为AdaDepth的无监督域适应策略，专门用于单目深度估计的像素级回归任务。该方法通过a）对抗学习和b）对适应后的目标表示显式施加内容一致性来克服上述限制。我们的无监督方法在深度估计任务中表现与其他成熟方法相当，并在半监督设置下取得了最先进的结果。