LiDARによる深度マップは、さまざまな応用において環境情報を提供する。しかし、このような深度マップは通常疎であり、自動運転のような複雑なタスクには不十分である。最先端の手法では、画像をガイドとして用いたニューラルネットワークを活用して、深度マップの密な補完を実現している。本研究では、疎な深度マップから高密度かつ有効な情報を効果的に抽出することを目的として、ガイド付き畳み込みニューラルネットワークを提案する。具体的には、入力の疎さに依存しない空間的に変化する膨張（dilation）とコンテンツ依存的な膨張を組み合わせた新規な層を導入し、疎な入力から追加情報を効果的に抽出する。さらに、疎さに不変な残差ボトルネックブロックを提案する。本研究で開発したDense Validity Mask Network（DVMN）をKITTI深度補完ベンチマークで評価した結果、最先端の性能を達成した。提出時点において、本ネットワークは疎さに不変な畳み込みを用いる手法の中で最も優れた成果を上げている。