Das Panoramabild kann gleichzeitig vollständige Informationen der Umgebung darstellen und bietet zahlreiche Vorteile in Bereichen wie virtueller Tourismus, Gaming und Robotik. Allerdings kann der Fortschritt bei der Tiefenschätzung für Panoramabilder die durch die üblicherweise verwendeten Projektionsmethoden verursachten Verzerrungen und Diskontinuitäten nicht vollständig lösen. In dieser Arbeit wird SphereDepth vorgestellt, eine neuartige Methode zur Tiefenschätzung für Panoramabilder, die die Tiefeninformation direkt auf einem sphärischen Gitter vorhersagt, ohne vorherige Projektionsschritte. Der zentrale Ansatz besteht darin, die Beziehung zwischen dem Panoramabild und dem sphärischen Gitter herzustellen und anschließend ein tiefes neuronales Netzwerk einzusetzen, um Merkmale auf dem sphärischen Gebiet zu extrahieren und die Tiefe vorherzusagen. Um die durch hochauflösende Panoramadaten verursachten Effizienzprobleme zu bewältigen, führen wir zwei Hyperparameter in den vorgeschlagenen sphärischen Gitter-Verarbeitungsrahmen ein, um einen angemessenen Kompromiss zwischen Inferenzgeschwindigkeit und Genauigkeit zu erzielen. Auf drei öffentlichen Panorama-Datensätzen validiert, erreicht SphereDepth Ergebnisse, die mit den aktuellen State-of-the-Art-Methoden der Panoramabild-Tiefenschätzung vergleichbar sind. Durch die Verwendung des sphärischen Domänenansatzes kann SphereDepth eine hochwertige Punktwolke generieren und die Probleme von Verzerrung und Diskontinuität erheblich verringern.