Las tecnologías actuales de captura de mapas de profundidad obtienen mapas de profundidad a baja resolución espacial, lo que genera problemas serios en diversas aplicaciones. En este artículo, proponemos un método de superresolución de un solo mapa de profundidad que combina las ventajas de los métodos basados en modelos y los enfoques de aprendizaje profundo. Específicamente, formulamos un problema inverso lineal que resolvemos introduciendo un regularizador de Laplaciano gráfico. El enfoque de regularización promueve la suavidad y preserva los detalles estructurales del mapa de profundidad observado. Construimos la matriz de Laplaciano gráfico desplegando características latentes obtenidas de un modelo de aprendizaje profundo preentrenado. El problema se resuelve con el Método de Direcciones Alternas de Multiplicadores (ADMM). Los resultados experimentales muestran que el enfoque propuesto supera a las soluciones existentes basadas en optimización y aprendizaje profundo.