في هذا البحث، نقترح إطارًا جديدًا للانتشار المرتبط بالأنماط (Pattern-Affinitive Propagation - PAP) لتنبؤ العمق والاتجاه السطحي والتقسيم الدلالي بشكل مشترك. تأتي دوافع هذا الإطار من الملاحظة الإحصائية أن الأزواج المرتبطة بالأنماط تتكرر بكثرة عبر مهام مختلفة وكذلك داخل مهمة واحدة. لذلك، يمكننا إجراء نوعين من الانتشار: انتشار بين المهام وانتشار خاص بالمهمة، لتوسيع تلك الأنماط المشابهة بشكل تكيفي. يدمج النوع الأول الأنماط المرتبطة بين المهام ليتكيف مع كل مهمة من خلال حساب العلاقات غير المحلية. ثم يقوم النوع الثاني بتوسيع تكراري في فضاء الخصائص حتى يتمكن الأنماط المرتبطة بين المهام من الانتشار على نطاق واسع داخل المهمة. وفقًا لذلك، يمكن تنظيم وتقوية تعلم كل مهمة بواسطة الانسجام التكميلي على مستوى المهمة. تظهر التجارب الواسعة فعالية وأفضلية طريقتنا في الثلاث مهام المشتركة. وفي الوقت نفسه، حققنا أفضل النتائج أو نتائج تنافسية على ثلاث قواعد بيانات ذات صلة هي NYUD-v2 وSUN-RGBD وKITTI.