Überwachte Tiefenlernmethoden haben bei der Aufgabe der monoökularen Tiefenschätzung vielversprechende Ergebnisse gezeigt; die Erhebung von Ground-Truth-Daten ist jedoch kostspielig und anfällig für Rauschen sowie Ungenauigkeiten. Während synthetische Datensätze verwendet wurden, um die oben genannten Probleme zu umgehen, verallgemeinern die resultierenden Modelle auf natürliche Szenen wegen des inhärenten Domänenwandels nicht gut. Kürzlich entwickelte adversäre Ansätze zur Domänenanpassung haben sich gut bewährt, um die Unterschiede zwischen Quell- und Zielbereichen zu verringern. Diese Methoden sind jedoch größtenteils auf eine Klassifikationseinstellung beschränkt und skalieren für vollkonvolutive Architekturen nicht gut. In dieser Arbeit schlagen wir AdaDepth vor – eine unüberwachte Strategie zur Domänenanpassung für die pixelweise Regressionsaufgabe der monoökularen Tiefenschätzung. Der vorgeschlagene Ansatz überwindet die oben genannten Einschränkungen durch a) adversäres Lernen und b) explizite Einhaltung der Inhaltskonsistenz in der angepassten Zielrepräsentation. Unser unüberwachter Ansatz erzielt wettbewerbsfähige Ergebnisse im Vergleich zu anderen etablierten Ansätzen bei Tiefenschätzungen und erreicht den aktuellen Stand der Technik in einem semiautomatisierten Setting.