针对霾环境中图像降质导致的传统深度估计模型退化问题，提出了一种融合双注意力机制的基于条件生成对抗网络（CGAN）的单幅霾图像深度估计模型。首先，对于模型的生成器的网络结构，提出了融合双注意力机制的DenseUnet结构，其中DenseUnet将密集块作为U-net编码和解码过程中的基本模块，并利用密集连接和跳跃连接在加强信息流动的同时，提取直接传输率图的底层结构特征和高级深度信息。然后，通过双注意力模块自适应地调整空间特征和通道特征的全局依赖关系，同时将最小绝对值损失、感知损失、梯度损失和对抗损失融合为新的结构保持损失函数。最后，将霾图像的直接传输率图作为CGAN的条件，通过生成器和鉴别器的对抗学习估计出霾图像的深度图。在室内数据集NYU Depth v2和室外数据集DIODE上进行训练和测试。实验结果表明，该模型具有更精细的几何结构和更丰富的局部细节。在NYU Depth v2上，与全卷积残差网络相比，对数平均误差（LME）和均方根误差（RMSE）分别降低了7%和10%；在DIODE上，与深度有序回归网络相比，精确度（阈值小于1.25）提高了7.6%。可见，所提模型提高了在霾干扰下深度估计的准确性和泛化能力。
