Les cartes de profondeur LiDAR fournissent une orientation environnementale dans diverses applications. Toutefois, ces cartes de profondeur sont généralement éparses et insuffisantes pour des tâches complexes telles que la navigation autonome. Les méthodes les plus récentes utilisent des réseaux neuronaux guidés par image pour compléter la profondeur de manière dense. Nous proposons un réseau neuronal convolutif guidé, axé sur la collecte d’informations denses et valides à partir de cartes de profondeur éparses. À cette fin, nous introduisons une nouvelle couche à dilatation variant spatialement et dépendante du contenu, permettant d’intégrer des données supplémentaires provenant des entrées éparses. Par ailleurs, nous proposons un bloc résiduel à bottleneck invariant à la sparsité. Nous évaluons notre réseau, appelé Dense Validity Mask Network (DVMN), sur le benchmark de complémentation de profondeur KITTI et obtenons des résultats de pointe. Au moment de la soumission, notre réseau constitue la méthode la plus performante utilisant une convolution invariante à la sparsité.