توفر خرائط العمق المستندة إلى ليدار توجيهًا بيئيًا في مجموعة واسعة من التطبيقات. ومع ذلك، فإن هذه الخرائط غالبًا ما تكون نادرة وغير كافية للمهام المعقدة مثل التنقل الآلي. تستخدم الطرق الرائدة الشبكات العصبية الموجهة بالصور لإكمال عمق الخريطة بشكل كثيف. ونطور في هذا العمل شبكة عصبية متعددة الطبقات مُوجهة تركز على جمع معلومات كثيفة وصحيحة من خرائط العمق النادرة. ولتحقيق ذلك، نُقدّم طبقة جديدة ذات تباعد متغير مكانيًا ويعتمد على المحتوى، بهدف استيعاب بيانات إضافية من المدخلات النادرة. علاوةً على ذلك، نقترح بلوكًا مُستقرًا مُستوحى من المتبقيات، مستقلًا عن ندرة البيانات (sparsity invariant residual bottleneck block). ونُقيّم شبكتنا المعروفة بـ (DVMN)، أي شبكة القناع الصالح الكثيف، على معيار إكمال عمق KITTI، ونحقق نتائج تُعدّ من أفضل النتائج في مجالها. وفي وقت التقديم، أصبحت شبكتنا الطريقة الرائدة التي تستخدم تباعدًا مستقلًا عن الندرة (sparsity invariant convolution).