تُقدّم أساليب الاستشعار المرئي المزامن للتحديد المكاني والرسم البياني (SLAM) القائمة على الميزات تقديرًا فقط لعمق الميزات المستخرجة، مما يؤدي إلى إنشاء خريطة عمق نادرة. ولحل مشكلة الندرة هذه، أصبحت مهام استكمال العمق التي تُقدّر عمقًا كثيفًا من عمق نادر ذات أهمية كبيرة في التطبيقات الروبوتية مثل الاستكشاف. تعتمد الأساليب الحالية التي تستخدم العمق النادر الناتج عن SLAM المرئي بشكل رئيسي على الميزات النقطية. ومع ذلك، تُعاني الميزات النقطية من قيود في الحفاظ على التراكيب المنتظمة بسبب البيئات الخالية من النسيج ومشاكل الندرة. وللتعامل مع هذه التحديات، نُجري استكمال العمق باستخدام SLAM المرئي مع الميزات الخطية، التي يمكنها احتواء التراكيب المنتظمة بشكل أفضل مقارنةً بالميزات النقطية. تُنشئ الطريقة المقترحة منطقة هيلية محددة من خلال إجراء تثليث ديلوناي المقيد مع تداخل عمق باستخدام الميزات الخطية. ومع ذلك، يحتوي العمق المُنتَج على معلومات ذات تردد منخفض، ويكون غير مستمر عند حدود الهيلية المحددة. ولحل هذه المشكلة، نقترح وحدة تحسين عمق الشبكة (MDR) التي تُحَوِّل بشكل فعّال التفاصيل ذات التردد العالي من الصورة المدخلة إلى العمق المُستكمل، وتؤدي دورًا محوريًا في ربط الأساليب التقليدية بالأساليب القائمة على التعلم العميق. تتفوق منهجية Struct-MDC على غيرها من الخوارزميات الرائدة في الميدان على مجموعة بيانات عامة وبيانات مخصصة نحن من صياغتها، وحتى تتفوّق على الأساليب المُراقبة من حيث بعض المقاييس. بالإضافة إلى ذلك، تم التحقق من فعالية الوحدة MDR المقترحة من خلال دراسة تحليلية صارمة.