تُعد مشكلتا تقدير عَمودية السطح (surface normal) وتقدير العمق من المشكلات المرتبطة ارتباطًا وثيقًا، حيث يمكن حساب عَمودية السطح من العمق. ومع ذلك، فإن عَمودية السطح المحسوبة من إخراج طرق تقدير العمق تكون أقل دقة بكثير مقارنةً بعَمودية السطح التي تُقدَّر مباشرةً بواسطة الشبكات العصبية. ولتقليل هذه الفجوة، نُقدِّم إطارًا جديدًا يستخدم عَمودية السطح ودرجة عدم اليقين المرتبطة بها لتحسين تكراري لخريطة العمق المُقدَّرة. إذ يمكن نقل عمق كل بكسل إلى بكسل استعلام باستخدام عَمودية السطح المُقدَّرة كمرشد. وبالتالي، نُصِف عملية تحسين العمق كتصنيف يختار فيه البكسل المجاور الذي يتم من خلاله النقل. ثم، من خلال نقل العمق إلى نقاط فرعية للبكسل (sub-pixel points)، نُضاعف دقة الخرج المُحسَّن عالي الدقة منخفضة الدقة. تُظهر الطريقة المقترحة أداءً متقدمًا على مستوى الحالة (state-of-the-art) على مجموعتي بيانات NYUv2 وiBims-1، سواء من حيث دقة العمق أو عَمودية السطح. كما يمكن توصيل وحدة التحسين هذه بطرق تقدير العمق الحالية لتحسين دقتها. كما نُظهر أن إطارنا، الذي تم تدريبه فقط على تقدير العمق، يمكن استخدامه أيضًا في مهام إكمال العمق (depth completion). يُمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/baegwangbin/IronDepth.