نقدم طريقة لاستنتاج خرائط العمق الكثيفة من الصور والقياسات العميقة النادرة من خلال الاستفادة من البيانات الاصطناعية لتعلم العلاقة بين السحاب النقطية النادرة والأشكال الطبيعية الكثيفة، واستخدام الصورة كدليل لتأكيد خريطة العمق المُتنبأ بها. يستخدم الاحتمال المُتعلم للأشكال الطبيعية فقط القياسات العميقة النادرة كمدخل، وليس الصور، مما يجعل الطريقة غير متأثرة بانزياح المُتغيرات (covariate shift) عند محاولة نقل النماذج المُتعلمة من البيانات الاصطناعية إلى الواقعية. هذا يمكّننا من استخدام كميات كبيرة من البيانات الاصطناعية ذات القيم الحقيقية (ground truth) لتعلم المكون الأصعب في عملية إعادة البناء، وهو تقدير التوبولوجيا (topology estimation)، واستخدام الصورة لتحسين التنبؤ بناءً على الأدلة الفوتوغرافية. تتميز طريقتنا بوجود عدد أقل من المعاملات مقارنة بالطرق السابقة، مع تحقيق أداءً متفوقًا على أحدث المعايير في مجموعتي بيانات داخليّة وخارجية. يمكن الوصول إلى الكود من خلال: https://github.com/alexklwong/learning-topology-synthetic-data.