監督付き深層学習手法は、単眼深度推定のタスクにおいて有望な結果を示していますが、真値データの取得にはコストがかかり、ノイズや誤差が発生しやすいという問題があります。合成データセットを使用することで上記の問題を回避しようとする試みがありましたが、これらのモデルは本質的なドメインシフトのため、自然なシーンに十分に一般化することができません。最近のドメイン適応に対する敵対的手法は、ソースドメインとターゲットドメイン間の違いを軽減する上で良好な性能を発揮しています。しかし、これらの手法は主に分類設定に限定されており、完全畳み込みアーキテクチャにはうまくスケーリングしません。本研究では、単眼深度推定における画素レベル回帰タスク向けの非監督型ドメイン適応戦略であるAdaDepthを提案します。提案手法はa) 敵対的学習とb) 適応されたターゲット表現への明示的なコンテンツ一貫性の課与により、上記の制限を克服しています。当該非監督手法は他の既存手法と競合する性能を示し、半教師あり設定において最先端の結果を達成しています。