在缺乏视差线索的情况下，基于学习的单图像深度估计（Single Image Depth Estimation, SIDE）模型严重依赖图像中的明暗变化（shading）和上下文信息。尽管这种依赖性带来了方法上的简洁性，但为了实现良好性能，此类模型通常需要在大规模且多样化的数据集上进行训练，而这类数据集的获取极具挑战性。已有研究表明，利用预训练基础模型（如CLIP）生成的嵌入向量，可显著提升多种任务中的零样本迁移能力。受此启发，本文提出利用预训练视觉Transformer（ViT）模型生成的全局图像先验，以提供更为精细的上下文信息。我们主张，经过大规模数据预训练的ViT模型所提取的嵌入向量，相较于传统方法中先生成伪图像描述（pseudo image captions），再通过CLIP模型获取文本嵌入的方式，能够为SIDE任务捕捉到更丰富、更相关的视觉语义信息。基于这一核心思想，我们提出一种基于扩散模型（diffusion backbone）的新型SIDE架构，其输入条件为ViT生成的图像嵌入。实验结果表明，所提出的模型在NYUv2数据集上取得了新的最先进（State-of-the-Art, SOTA）性能，绝对相对误差（Abs Rel）达到0.059，相较于当前最优方法VPD的0.069，提升了14%。在KITTI数据集上，平方相对误差（Sq Rel）为0.139，优于当前SOTA方法GEDepth的0.142，提升2%。此外，在使用NYUv2数据集训练的模型进行零样本迁移测试时，我们在Sun-RGBD、iBims1、DIODE和HyperSim四个基准数据集上，相较NeWCRFs分别实现了（20%、23%、81%、25%）的平均相对提升，显著优于ZoeDepth在相同任务下（16%、18%、45%、9%）的表现。项目主页详见：https://ecodepth-iitd.github.io