单张图像的表面法向估计与深度估计密切相关，因为前者可由后者推导得出。然而，通过深度估计方法输出结果计算得到的表面法向，其精度显著低于直接由神经网络估计的表面法向。为减小这一差异，我们提出了一种新颖的框架，利用表面法向及其不确定性，对预测的深度图进行递归式精炼。该方法通过预测的表面法向作为引导，将每个像素的深度信息传播至查询像素。因此，我们将深度精炼建模为一个分类问题，即选择最佳邻近像素进行深度传播。随后，通过向亚像素点传播，实现对精炼后低分辨率输出的上采样。所提出的算法在NYUv2和iBims-1数据集上均取得了当前最优的深度与法向估计性能。此外，该精炼模块可无缝集成至现有深度估计方法中，以进一步提升其精度。我们还证明，该框架仅需在深度估计任务上进行训练，即可应用于深度补全任务。代码已开源，地址为：https://github.com/baegwangbin/IronDepth。