الإدراك الكثيف للعمق ضروري لقيادة السيارات ذاتية القيادة وغيرها من تطبيقات الروبوتات. ومع ذلك، فإن أجهزة استشعار ليدار (LiDAR) الحديثة توفر فقط قياسات عمق نادرة. لذلك، يصبح من الضروري إكمال بيانات ليدار النادرة، حيث يتم استخدام صورة RGB متزامنة غالبًا لتسهيل هذا الإكمال. تم تصميم العديد من الشبكات العصبية لهذا المهمة. ومع ذلك، فإنها غالبًا ما تدمج بيانات ليدار ومعلومات الصورة RGB بطريقة بسيطة عن طريق تنفيذ التجميع المميز أو الإضافة العنصرية.مستوحاة من تصفية الصور الموجهة، قمنا بتصميم شبكة موجهة جديدة لتوقع وزنات النواة من الصورة الموجهة. يتم بعد ذلك تطبيق هذه النواة المتوقعة لاستخراج خصائص صورة العمق. بهذه الطريقة، تقوم شبكتنا بإنشاء نواة تعتمد على المحتوى وتختلف حسب الموقع لدمج الخصائص متعددة الأوضاع. يمكن أن يؤدي إنشاء نواة مكانية متغيرة بشكل ديناميكي إلى استهلاك ذاكرة GPU مُحَظُّر وزيادة العبء الحسابي. قمنا أيضًا بتصميم تحليل اتحادي للحد من الاستهلاك الحسابي واستهلاك الذاكرة.تقليل ذاكرة GPU يجعل من الممكن تنفيذ دمج الخصائص في نظام متعدد المراحل. أجرينا تجارب شاملة لتحقق من طريقتنا على مجموعة متنوعة من البيانات الواقعية والداخلية والاصطناعية. تنتج طريقتنا نتائج قوية. فهي تتفوق على أفضل الأساليب الحالية في مجموعة بيانات NYUv2 وتحتل المركز الأول في معيار كيتتي لإكمال العمق (KITTI depth completion benchmark) عند تقديم البحث. كما أنها تظهر قدرة عامّة قوية تحت كثافات نقاط 3D مختلفة وظروف الإضاءة والطقس المتباينة وكذلك التقييمات عبر البيانات.سيتم إطلاق الرمز البرمجي للتأكد من إعادة إنتاج النتائج.